posts - 33, comments - 70, trackbacks - 0

HTMLParser 1.6

/*
html : html內(nèi)容
identifier: 搜索標(biāo)識(shí)
*/

private?Object[]?extractText(String?html,?String?identifier)

????????????throws?Exception?{

????????List<String>?resultTextList?=?new?ArrayList<String>();

????????Parser?parser?=?new?Parser();

????????parser.setInputHTML(html);

????????NodeFilter?filter?=?new?HasAttributeFilter("class",?identifier);
?/* NodeFilter?filter 就是要解析的過(guò)濾器，實(shí)現(xiàn)有好多種，我采用的屬性過(guò)濾,其他more api*/

????????NodeList?nodeList?=?parser.extractAllNodesThatMatch(filter);
/* extractAllNodesThatAre(class)已經(jīng)不被推薦使用，在1.6版本中，我感到更加體形了靈活性.更好的適用了自定義的tag */

????????if?(nodeList?==?null)

????????????return?null;

????????if(nodeList.size()?==?0)

????????????return?null;

????????//?System.out.println("start?==============?,size?=?"

????????//?+?nodeList.size());

????????Node[]?nodes?=?nodeList.toNodeArray();

????????String?line?=?"";

????????for?(int?i?=?0;?i?<?nodes.length;?i++)?{

????????????Node?node?=?nodes[i];???/*得到所以符合的節(jié)點(diǎn)，類型化做對(duì)應(yīng)的標(biāo)簽類*/

????????if?(node?instanceof?Span)?{

????????????????Span?spanTag?=?(Span)?node;

????????????????line?=?spanTag.toPlainTextString();

????????????}?else?if?(node?instanceof?TableColumn)?{

????????????????TableColumn?tableTag?=?(TableColumn)?node;

????????????????line?=?tableTag.toPlainTextString();

????????????}?else?if?(node?instanceof?Div)?{

????????????????Div?divTag?=?(Div)?node;

????????????????line?=?divTag.toPlainTextString();

????????????}

????????????if?(StringUtil.isTrimEmpty(line)){

????????????????continue;

????????????}else{

????????????????resultTextList.add(line);

????????????}

????????????

????????}

????????return?resultTextList.toArray();

????}

StringUtil 常用類

/**

?????*?去掉左右空格后字符串是否為空

?????*/

????public?static?boolean?isTrimEmpty(String?astr)

????{

????????if?((null?==?astr)?||?(astr.length()?==?0))

????????{

????????????return?true;

????????}

????????if?(isBlank(astr.trim()))

????????{

????????????return?true;

????????}

????????return?false;

????}

????/**

?????*?字符串是否為空:null或者長(zhǎng)度為0.

?????*/

????public?static?boolean?isBlank(String?astr)

????{

????????if?((null?==?astr)?||?(astr.length()?==?0))

????????{

????????????return?true;

????????}

????????else

????????{

????????????return?false;

????????}

????}

posted on 2006-05-22 17:30 地獄男爵(hellboys) 閱讀(2899) 評(píng)論(1) 編輯收藏所屬分類: 編程語(yǔ)言(c/c++ java python sql ......)

FeedBack:

# re: HTMLParser屬性解析

2006-06-02 21:45 | libby

想請(qǐng)教作者,可能是由于html的語(yǔ)法不規(guī)范所至,我用Htmlparser分析html文檔出現(xiàn)錯(cuò)誤,像普通的Html文檔其結(jié)束標(biāo)記如果存在重復(fù),一般不予理睬,可是在用Htmlparser其會(huì)進(jìn)行處理,往往會(huì)引起一些顯示問(wèn)題.
我想利用htmlparser分析html頁(yè)面,生成一棵樹(shù),感覺(jué)不應(yīng)該出現(xiàn)的錯(cuò)誤卻出現(xiàn)了.
作者可否跟俺取得聯(lián)系,我想同你討論一下.俺郵箱是:libby22@sohu.com或者M(jìn)SN:libby22@hotmail.com

著急,謝謝! 回復(fù) 更多評(píng)論

新用戶注冊(cè) 刷新評(píng)論列表


只有注冊(cè)用戶登錄后才能發(fā)表評(píng)論。




網(wǎng)站導(dǎo)航: 博客園 IT新聞 Chat2DB C++博客博問(wèn) 管理
相關(guān)文章: 優(yōu)化MySQL數(shù)據(jù)庫(kù)性能的八種方法 ActiveMQ4.1 +Spring2.0的POJO JMS方案擴(kuò)展，以更加實(shí)用（基于ss）.二 ActiveMQ4.1 +Spring2.0的POJO JMS方案擴(kuò)展，以更加實(shí)用（基于ss） compass 中使用annatation 簡(jiǎn)化配置 Compass - springside 中的應(yīng)用 HTMLParser屬性解析使用Lucene建立自己的搜索引擎初步(轉(zhuǎn))

2006年5月

日

一

二

三

四

五

六

常用鏈接

隨筆分類

隨筆檔案

文章檔案

2005年12月 (1)

相冊(cè)

連接

差沙
我以前blog地址
聰明的豬(cleverpig)

常用鏈接

隨筆分類

隨筆檔案

文章檔案

相冊(cè)

連接

最新隨筆

搜索

最新評(píng)論

閱讀排行榜

評(píng)論排行榜