posts - 23,comments - 66,trackbacks - 0
          by lostfire

          這兩天準備做一些網(wǎng)站編程的工作,于是對HtmlParse小研究了一下,目的是快速入手,而不是深入研究,做了一下整理,和大家共同討論一下。
          ?
          一,數(shù)據(jù)組織分析:

          HtmlParser主要靠Node、AbstractNode和Tag來表達Html,因為Remark和Text相對簡單,此處就將其忽略了。

          • Node是形成樹結(jié)構(gòu)表示HTML的基礎(chǔ),所有的數(shù)據(jù)表示都是接口Node的實現(xiàn),Node定義了與頁面樹結(jié)構(gòu)所表達的頁面Page對象,定義了獲取父、子、兄弟節(jié)點的方法,定義了節(jié)點到對應(yīng)html文本的方法,定義了該節(jié)點對應(yīng)的起止位置,定義了過濾方法,定義了Visitor訪問機制。
          • AbstractNode是Node的一種具體的類實現(xiàn),起到構(gòu)成樹形結(jié)構(gòu)的作用,除了同具體Node相關(guān)的accetp方法,toString,toHtml,toPlainTextString方法以外,AbstractNode實現(xiàn)了大多基本的方法,使得它的子類,不用理會具體的樹操作。
          • Tag是具體分析的主要內(nèi)容。Tag分成composite的Tag和不能包含其他Tag的簡單Tag兩類,其中前者的基類是CompositeTag,其子類包含BodyTag,Div,FrameSetTag,OptionTag,等27個子類;而簡單Tag有BaseHrefTag、DoctypeTag,FrameTag,ImageTag,InputTag,JspTag,MetaTag,ProcessingInstructionTag這八類。

          Node分成三類:

          • RemarkNode:代表Html中的注釋
          • TagNode:標簽節(jié)點,是種類最多的節(jié)點類型,上述Tag的具體節(jié)點類都是TagNode的實現(xiàn)。
          • TextNode:文本節(jié)點
          ?
          二,Visitor方式訪問Html:
          ?
          1,整體解析過程
          • 用一個URL或頁面String做一個Parser
          • 用這個Parser做一個Visitor
          • 使用Parser.visitAllNodeWith(Visitor)來遍歷節(jié)點
          • 獲取Visitor遍歷后得到的數(shù)據(jù)
          2,Visit過程
          • 做解析之前做的事情:visitor.beginParsing();
          • 每次取到一個節(jié)點Node,讓該Node接受accept該Visitor
          • 做解析后做的事情:visitor.finishedParsing();
          3,獲取節(jié)點的過程:逐步遍歷Html,分析出Node。此部分較為復(fù)雜,且對于我們應(yīng)用來說無需很多了解,暫跳過。
          ?
          4,節(jié)點訪問
          節(jié)點訪問采用Visitor模式,Node的accept方法和具體Visitor的visit方法是關(guān)鍵。
          首先三類Node來accept的方式各不相同:
          • 對于所有TagNode都使用一個accept方法,即TagNode的accept方法。首先判斷是否是標簽結(jié)尾,如果是就visitor.visitEndTag (this);否則visitor.visitTag (this);
          • 如果是TextNode,那就visitor.visitStringNode (this);就可以了。
          • 如果是RemarkNode,那就visitor.visitRemarkNode (this);就可以了。


          實際上NodeVisitor里邊這四種visit方法都是空的,因為在不同的Visitor中對于這三類節(jié)點的處理是不同的;對于需要處理的節(jié)點,只要重載對應(yīng)的visit方法就行了,如果不處理那就不理會就可以了;另外,如果用戶用自己的Visitor,那么還可以靈活的處理不同類型的節(jié)點了。

          系統(tǒng)為我們實現(xiàn)了下面我要介紹的8種Visitor,實際上可以看作是系統(tǒng)給我們演示了如何做各種各樣的Visitor來訪問Html,因為實際上我們要真正來用HtmlParser的話,還需要特定的Visitor,而通過簡單的這些系統(tǒng)提供的Visitor組合是難以做成什么事情的。
          ?
          三,系統(tǒng)Visitor功能簡介:
          • ObjectFindingVisitor:用來找出所有指定類型的節(jié)點,采用getTags()來獲取結(jié)果。
          • StringBean:用來從一個指定的URL獲取移除了<SCRIPT></SCRIPT>和<PRE></PRE>之間代碼的Html代碼,也可以用做Visitor,用來移除這兩種標簽內(nèi)部的代碼,采用StringBean.getStrings()來獲取結(jié)果。
          • HtmlPage:提取Title,body中的節(jié)點和頁面中的TableTag節(jié)點。
          • LinkFindingVisitor:找出節(jié)點中包含某個鏈接的總個數(shù)。
          • StringFindingVisitor:找出遍歷的TextNode中含有指定字符串的個數(shù)。
          • TagFindingVisitor:找出指定Tag的所有節(jié)點,可以指定多種類型。
          • TextExtractingVisitor:從網(wǎng)頁中把所有標簽去掉來提取文本,這個提取文本的Visitor有時是很實用的,只是注意在提取文本時將標簽的屬性也去掉了,也就是說只剩下標簽之間的文本,例如<a>中的鏈接也去掉了。
          • UrlModifyingVisitor:用來修改網(wǎng)頁中的鏈接。
          四,F(xiàn)ilter
          ?
          如果說visitor是遍歷提取信息,當然這個信息可以包括某些節(jié)點或者從節(jié)點分析出來的更有效的信息,這都取決于我們的Visitor做成什么樣子,那么Filter則目標很明確,就是用來提取節(jié)點的。所以說要想用HtmlParser,首先要熟悉上面講到的數(shù)據(jù)組織。
          ?
          系統(tǒng)定義了17種具體的Filter,包括依據(jù)節(jié)點父子關(guān)系的Filter,連接Filter組合的Filter,依據(jù)網(wǎng)頁內(nèi)容匹配情況的filter,等等。我們也可以implement Filter來做自己的Filter來提取節(jié)點。
          ?
          Filter的調(diào)用是同Visitor獨立的,因為也無需先filter出一些NodeList,再用Visitor來訪問。調(diào)用Filter的方法是:
          NodeList nodeList = myParser.parse(someFilter);
          解析之后,我們可以采用:
          Node[] nodes = nodeList.toNodeArray();
          來獲取節(jié)點數(shù)組,也可以直接訪問:
          Node node = nodeList.elementAt(i)來獲取Node。
          ?
          另外,在Filter后得到NodeList以后,我們?nèi)匀豢梢允褂肗odeList的extractAllNodesThatMatch(someFilter)來進一步過濾,同時又可以用NodeList的isitAllNodesWith(someVisitor)來做進一步的訪問。
          這樣,我們可以看到HtmlParser為我們提供了非常方便的Html解析方式,針對不同的應(yīng)用可以采用visitor來遍歷Html節(jié)點提取數(shù)據(jù),也可以用Filter來過濾節(jié)點,提取出我們所關(guān)注的節(jié)點,再對節(jié)點進行處理。通過這樣的組合,一定能夠找出我們所需要的信息。
          ?
          參考:
          http://htmlparser.sourceforge.net/
          http://www.aygfsteel.com/rocky/archive/2005/12/21/24997.aspx
          http://www.westing.cn/xblog/?p=90
          posted on 2006-07-02 22:47 rd2pm 閱讀(34214) 評論(23)  編輯  收藏 所屬分類: http tool

          FeedBack:
          # re: HtmlParser初步研究
          2006-07-03 10:26 | 艾塵
          這東西不錯。一年前用來做過項目。可以自定義Tag,還是比較方便。郵件列表也天天更新。  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2006-07-03 13:12 | rox
          暈倒,我正好用過了,你才寫。
          不過,還是感謝你為大家的勞動。
          呵呵。  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2006-07-03 14:15 | lostfire
          @rox
          看來還是有很多人用的,大家都用來做什么方面的工作啊?  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2006-07-03 15:15 | 老妖
          汗,這個東西還真的有人用啊!當時只是初步寫了一個應(yīng)急的小demo哦,好久沒有上blog了,沒有想到有這么多人捧場,頂一下  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2006-07-09 15:56 | pysh@163.com
          htmlParser有好多。我用的是叫什么jericho提供的api。如果你也是歡迎交流一下qq 54171690  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2006-08-18 14:18 | common
          一個例子就行了。  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2006-10-14 13:18 | czp
          太他媽的志同道和了
          正需要這方面的資料啊




          狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!狂頂!  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-01-05 17:38 | ruozhi
          剛接手一個項目要解析html,先拿它試驗一次.QQ:52386348  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-02-05 00:50 | 涂萬剛
          輝哥!

          我頂  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-04-30 14:10 | 雨夜
          剛學(xué)........................  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-05-27 09:47 | liu_UFO
          頂哈,我也剛剛開始學(xué)習(xí)java ,我的畢業(yè)論文是用java 作,需要解析html,提取論壇里面的文字,正在學(xué)習(xí)htmlparse  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-08-26 15:40 | 鄒江
          @liu_UFO


          你好,我想了解下你以前做提取論壇里面的內(nèi)容是怎么提取的,源代碼還有嗎  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-10-05 17:55 |
          不錯,不過還是有些不全,對于初學(xué)者來講還是不太明白,像node里有很多東西都要用到,但沒有寫。
          謝謝,已經(jīng)了解了不少!  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-10-28 19:58 | 中華信鴿
          找到了:)  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2007-11-28 11:56 | 北京seo
          不錯.  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2009-05-03 13:46 | 11
          相當不錯,對于我這樣的初學(xué)者還是非常有用的。  回復(fù)  更多評論
            
          # re: HtmlParser初步研究[未登錄]
          2009-11-28 00:43 | dongdong
          你好,我現(xiàn)在在自學(xué)HTMLPARSER和爬蟲這里,謝謝你的文章,給我提供了幫助。希望能夠和你成為朋友,向你多多請教。所以。。可以留下一個聯(lián)系方式么?QQ或郵箱,不勝榮幸。
          我的郵箱是Spirit.dongdong@gmail.com  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2009-12-13 15:32 | hahabk
          來學(xué)習(xí)了.  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2009-12-25 16:46 | cqyuu
          學(xué)習(xí)了~!謝謝~!  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2010-12-03 10:20 | 火地晉
          樓主知道有css parser嗎  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2011-03-05 18:05 | guolongxin
          你好,我也在做一個這樣的東西,但是不會,你能把你以前做的發(fā)我看下嗎?謝謝
          我的郵箱490403992@qq.com  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2011-11-21 20:24 | 憂傷恛憶
          謝謝樓主,最近正好用到。。。。。。不過還是有些看不明白。。。。  回復(fù)  更多評論
            
          # re: HtmlParser初步研究
          2012-04-29 07:40 | newgod
          解析完 http://www.sina.com.cn 要多少毫秒?  回復(fù)  更多評論
            

          只有注冊用戶登錄后才能發(fā)表評論。


          網(wǎng)站導(dǎo)航:
           

          主站蜘蛛池模板: 伊宁县| 郑州市| 江孜县| 澄迈县| 侯马市| 荣成市| 博兴县| 那坡县| 肥城市| 湘阴县| 鹰潭市| 浙江省| 秦皇岛市| 鄂伦春自治旗| 岑巩县| 荆门市| 古交市| 昭平县| 托克逊县| 伊吾县| 长葛市| 商城县| 米脂县| 涿州市| 合川市| 民乐县| 黔东| 六安市| 祥云县| 黑水县| 乌鲁木齐市| 北票市| 淳安县| 昌图县| 温州市| 永宁县| 古蔺县| 吉林省| 布尔津县| 广安市| 东丰县|