欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

java分析html算法(java网页蜘蛛算法示例)

程序员文章站 2024-02-26 23:49:58
遇到复杂而繁琐的html页面大家都望而却步。因为很难获取到相应的数据。 最古老的办法的是尝试用正则表达式,估计那么繁琐的东西得不偿失,浪费我们宝贵的时间。 第二个办法用...

遇到复杂而繁琐的html页面大家都望而却步。因为很难获取到相应的数据。

最古老的办法的是尝试用正则表达式,估计那么繁琐的东西得不偿失,浪费我们宝贵的时间。

第二个办法用开源组织htmlparser的包,这个是一个比较老的项目,但是效果估计不是很好,好像不可以深入分析html,只能分析5级的结构;

我这里有个htmlparser的源代码,可以获取所有的超链接的

复制代码 代码如下:

   /*
 * to change this template, choose tools | templates
 * and open the template in the editor.
 */
package test;

import java.util.hashmap;
import java.util.map;

import org.htmlparser.node;
import org.htmlparser.nodefilter;
import org.htmlparser.parser;
import org.htmlparser.tags.linktag;
import org.htmlparser.util.nodelist;


public class getlinktest {

    public static void main(string[] args) {

        try {
            // 通过过滤器过滤出<a>标签
            parser parser = new parser("//www.jb51.net");
            nodelist nodelist = parser.extractallnodesthatmatch(new nodefilter() {
                // 实现该方法,用以过滤标签
                public boolean accept(node node) {
                    if (node instanceof linktag)// 标记
                    {
                        return true;
                    }
                    return false;
                }
            });
            // 打印
            for (int i = 0; i < nodelist.size(); i++) {
                linktag n = (linktag) nodelist.elementat(i);
                //system.out.print(n.getstringtext() + " ==>> ");
                //system.out.println(n.extractlink());
                try {
                    if (n.extractlink().equals("//www.jb51.net")) {
                        system.out.println(n.extractlink());
                    }
                } catch (exception e) {
                }
            }
        } catch (exception e) {
            e.printstacktrace();
        }

    }
}

第三个办法,也是我现在一直在用的办法,首先把html清理为xml,然后用java解析xml获取数据,现在上传一个java clean html的源代码:

复制代码 代码如下:

/*
 * to change this template, choose tools | templates
 * and open the template in the editor.
 */
package exec;

import java.io.file;
import java.io.ioexception;
import org.htmlcleaner.cleanerproperties;
import org.htmlcleaner.htmlcleaner;
import org.htmlcleaner.prettyxmlserializer;
import org.htmlcleaner.tagnode;

/**
 *
 */
public class htmlclean {

    public void cleanhtml(string htmlurl, string xmlurl) {
        try {
            long start = system.currenttimemillis();

            htmlcleaner cleaner = new htmlcleaner();
            cleanerproperties props = cleaner.getproperties();
            props.setusecdataforscriptandstyle(true);
            props.setrecognizeunicodechars(true);
            props.setuseemptyelementtags(true);
            props.setadvancedxmlescape(true);
            props.settranslatespecialentities(true);
            props.setbooleanattributevalues("empty");

            tagnode node = cleaner.clean(new file(htmlurl));

            system.out.println("vreme:" + (system.currenttimemillis() - start));

            new prettyxmlserializer(props).writexmltofile(node, xmlurl);

            system.out.println("vreme:" + (system.currenttimemillis() - start));
        } catch (ioexception e) {
            e.printstacktrace();
        }
    }
}