初識HtmlParser.net

一、HTMLParser.net是什嗎？

HTMLParser.net是HtmlParser的JAVA版本的dot net版本。

二、HTMLParser可以用來做什嗎？

HtmlParser是用來改造或者提取HTML，通過HtmlParser可以高速，快捷的從Html頁面中分離出你想要的內容。

三、HTMLParser的核心模組是org.htmlparser.Parser類，這個類實際完成了對於HTML頁面的分析工作。這個類有下面幾個建構函式：
    public Parser ();
    public Parser (Lexer lexer, ParserFeedback fb);
    public Parser (URLConnection connection,ParserFeedbackfb) throws ParserException;
    public Parser (String resource, ParserFeedback feedback) throws ParserException;
    public Parser (String resource) throws ParserException;
    public Parser (Lexer lexer);
    public Parser (URLConnection connection) throws ParserException;
    和一個靜態類 public static Parser createParser (String html, String charset);

HTMLParser將解析過的資訊儲存為一個樹的結構。Node是資訊儲存的資料類型基礎。
請看Node的定義：
public interface Node extends Cloneable;

Node中包含的方法有幾類：
對於樹型結構進行遍曆的函數，這些函數最容易理解：
  Node getParent ()：取得父節點
  NodeList getChildren ()：取得子節點的列表
  Node getFirstChild ()：取得第一個子節點
  Node getLastChild ()：取得最後一個子節點
  Node getPreviousSibling ()：取得前一個兄弟
  Node getNextSibling ()：取得下一個兄弟節點
取得Node內容的函數：
  String getText ()：取得文本
  String toPlainTextString()：取得純文字資訊。
  String toHtml () ：取得HTML資訊（原始HTML）
  String toHtml (boolean verbatim)：取得HTML資訊（原始HTML）
  String toString ()：取得字串資訊（原始HTML）
  Page getPage ()：取得這個Node對應的Page對象
  int getStartPosition ()：取得這個Node在HTML頁面中的起始位置
  int getEndPosition ()：取得這個Node在HTML頁面中的結束位置
用於Filter過濾的函數：
  void collectInto (NodeList list, NodeFilter filter)：基於filter的條件對於這個節點進行過濾，合格節點放到list中。
用於 Visitor遍曆的函數：
  void accept (NodeVisitor visitor)：對這個Node應用visitor
用於修改內容的函數，這類用得比較少：
  void setPage (Page page)：設定這個Node對應的Page對象
  void setText (String text)：設定文本
  void setChildren (NodeList children)：設定子節點列表
其他函數：
  void doSemanticAction ()：執行這個Node對應的操作（只有少數Tag有對應的操作）
  Object clone ()：介面Clone的抽象函數

實際我們用HTMLParser最多的是處理HTML頁面，Filter或Visitor相關的函數是必須的，然後第一類和第二類函數是用得最多的
AbstractNodes是Node的直接子類，也是一個抽象類別。它的三個直接子類實現是RemarkNode，用於儲存注釋。在輸出結果的 toString部分中可以看到有一個"Rem (345[6,2],356[6,13]): 這是注釋"，就是一個RemarkNode。TextNode也很簡單，就是使用者可見的文字資訊。TagNode是最複雜的，包含了HTML語言中的所有標籤，而且可以擴充（擴充 HTMLParser 對自訂標籤的處理能力）。TagNode包含兩類，一類是簡單的Tag，實際就是不能包含其他Tag的標籤，只能做葉子節點。另一類是 CompositeTag，就是可以包含其他Tag，是分支節點

HTMLParser遍曆了網頁的內容以後，以樹（森林）結構儲存了結果。HTMLParser訪問結果內容的方法有兩種。使用Filter和使用 Visitor。

（一）Filter類
顧名思義，Filter就是對於結果進行過濾，取得需要的內容。HTMLParser在 org.htmlparser.filters包之內一共定義了16個不同的Filter，也可以分為幾類。
判斷類Filter：
  TagNameFilter
  HasAttributeFilter
  HasChildFilter
  HasParentFilter
  HasSiblingFilter
  IsEqualFilter
邏輯運算Filter：
  AndFilter
  NotFilter
  OrFilter
  XorFilter
其他 Filter：
  NodeClassFilter
  StringFilter
  LinkStringFilter
  LinkRegexFilter
  RegexFilter
  CssSelectorNodeFilter

所有的Filter類都實現了org.htmlparser.NodeFilter介面。這個介面只有一個主要函數：
boolean accept (Node node);
各個子類分別實現這個函數，用於判斷輸入的Node是否符合這個Filter的過濾條件，如果符合，返回 true，否則返回false。

下面將以具體的例子來學習htmlparser.net