標籤：htmlparser精簡api htmlparser簡介
一：簡介
（1）HTML Parser是一個用於解析Html的Java的庫，可採用線性或嵌套兩種方式。主要用於網頁的轉換或提取，他有一些特性：過濾器filter，遍曆器visitors，通常的標籤tagName和易用的JavaBeans。它是一個快速，健壯，並嚴格測試過的組件。
（2）個人理解：HTMLParser遍曆了網頁的內容以後，以樹（森林）結構儲存了結果，各個節點代表HTML中的標籤和屬性值，非常類似於XML解析器解析後的結果，也類似與html dom的結構；HTMLParser訪問結果內容的方法有兩種：使用Filter和使用Visitor，一般Filter用的多一些，用於提取特定的網頁資訊。
（3）官方API說明 （需要Google的）
二：主要函數功能說明：
（1）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, ParserFeedback fb) 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);
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（不好意思，英文是兄弟姐妹，直譯太麻煩而且不符合習慣，對不起女同胞了）
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
（3）其它函數：
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
（4）用於Filter過濾的函數
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 ----- html標籤指定指定過濾器
HasAttributeFilter ------ 屬性和屬性值指定過濾器
HasChildFilter
HasParentFilter
HasSiblingFilter
IsEqualFilter
邏輯運算Filter：
AndFilter ------ 同時滿足兩個或多個過濾條件的過濾器
NotFilter ------ 非
OrFilter ------- 或
XorFilter
其他Filter：
NodeClassFilter
StringFilter ------- 過濾敏感資訊的過濾器
LinkStringFilter --------- 過濾敏感連結資訊的過濾器
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。
三：html結構解析圖示說明
（1）html代碼
<html> <head> <title>HTML DOM</title> </head> <body> <h1>DOM的結構</h1> <p><a href="href">連結</a></p> </body></html>
（2）html的dom結構（即parser後的解析樹形結構）
大資料處理之道 （htmlparser擷取資料<一>）
Start building with 50+ products and up to 12 months usage for Elastic Compute Service
1 on 1 presale consultation
24/7 Technical Support 6 Free Tickets per Quarter Faster Response
Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.
A comprehensive suite of global cloud computing services to power your business
Payment Methods We Support
