htmlcleaner使用方法及xpath语法初探
在编程的时候或者写网络爬虫的时候,经常需要对html进行解析,抽取其中有用的数据。一款好的工具是特别有用的,能提供很多的帮助,网上有很多这样的工具,比如:htmlcleaner、htmlparser
经使用比较:感觉 htmlcleaner 比 htmlparser 好用,尤其是htmlcleaner 的 xpath特好用。
下面针对htmlcleaner进行举例说明,需求为:取出title,name=”my_href” 的链接,div的class=”d_1″下的所有li内容。
一、htmlcleaner使用:
1、htmlcleaner
htmlcleaner是一个开源的java语言的html文档解析器。htmlcleaner能够重新整理html文档的每个元素并生成结构良好(well-formed)的 html 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。然而,用户可以提供自定义tag和规则组来进行过滤和匹配。
主页地址:
下载地址:
2、基本示例,在wikipedia中抓取机场信息
html-clean-demo.html
html-clean-demo.html <!doctype html public "-//w3c//dtd xhtml 1.0 transitional" "http://www.w3.org/tr/xhtml1/dtd/xhtml1-transitional.dtd "> <html xmlns = "http://www.w3.org/1999/xhtml " xml:lang = "zh-cn" dir = "ltr"> <head> <meta http-equiv = "content-type" content = "text/html; charset=gbk" /> <meta http-equiv = "content-language" content = "zh-cn" /> <title>html clean demo </title> </head> <body> <div class = "d_1"> <ul> <li>bar </li> <li>foo </li> <li>gzz </li> </ul> </div> <div> <ul> <li><a name = "my_href" href = "1.html">text-1 </a></li> <li><a name = "my_href" href = "2.html">text-2 </a></li> <li><a name = "my_href" href = "3.html">text-3 </a></li> <li><a name = "my_href" href = "4.html">text-4 </a></li> </ul> </div> </body> </html>
htmlcleanerdemo.java
package com.chenlb; import java.io.file; import org.htmlcleaner.htmlcleaner; import org.htmlcleaner.tagnode; /** * htmlcleaner 使用示例. * */ public class htmlcleanerdemo { public static void main(string[] args) throws exception { htmlcleaner cleaner = new htmlcleaner(); tagnode node = cleaner.clean(new file("html/html-clean-demo.html"), "gbk"); //按tag取. object[] ns = node.getelementsbyname("title", true); //标题 if(ns.length > 0) { system.out.println("title="+((tagnode)ns[0]).gettext()); } system.out.println("ul/li:"); //按xpath取 ns = node.evaluatexpath("//div[@class='d_1']//li"); for(object on : ns) { tagnode n = (tagnode) on; system.out.println("\ttext="+n.gettext()); } system.out.println("a:"); //按属性值取 ns = node.getelementsbyattvalue("name", "my_href", true, true); for(object on : ns) { tagnode n = (tagnode) on; system.out.println("\thref="+n.getattributebyname("href")+", text="+n.gettext()); } } }
cleaner.clean()中的参数,可以是文件,可以是url,可以是字符串内容。比较常用的应该是evaluatexpath、 getelementsbyattvalue、getelementsbyname方法了。另外说明下,htmlcleaner 对不规范的html兼容性比较好。
在wikipedia中抓取机场信息
import java.io.unsupportedencodingexception; import org.htmlcleaner.htmlcleaner; import org.htmlcleaner.tagnode; import org.htmlcleaner.xpatherexception; import org.slf4j.logger; import org.slf4j.loggerfactory; //import com.moore.index.babystory; import com.moore.util.httpclientutil; /** * 用途:todo * * @author bbdtek */ public class parserairport { private static logger log = loggerfactory.getlogger(parserairport.class); /** * @param args * @throws unsupportedencodingexception * @throws xpatherexception */ public static void main(string[] args) throws unsupportedencodingexception, xpatherexception { string url = "http://zh.wikipedia.org/wiki/%e4%b8%ad%e5%8d%8e%e4%ba%ba%e6%b0%91%e5%85%b1%e5%92%8c%e5%9b%bd%e6%9c%ba%e5%9c%ba%e5%88%97%e8%a1%a8"; string contents = httpclientutil.getutil().getcon(url); htmlcleaner hc = new htmlcleaner(); tagnode tn = hc.clean(contents); string xpath = "//div[@class='mw-content-ltr']//table[@class='wikitable + sortable']//tbody//tr[@align='right']"; object[] objarr = null; objarr = tn.evaluatexpath(xpath); if (objarr != null && objarr.length > 0) { for (object obj : objarr) { tagnode tntr = (tagnode) obj; string xptr = "//td[@align='left']//a"; object[] objarrtr = null; objarrtr = tntr.evaluatexpath(xptr); if (objarrtr != null && objarrtr.length > 0) { for (object obja : objarrtr) { tagnode tna = (tagnode) obja; string str = tna.gettext().tostring(); log.info(str); } } } } } }
二、xpath初探
1、xpath简介:
xpath 是一门在 xml 文档中查找信息的语言。xpath 可用来在 xml 文档中对元素和属性进行遍历。
2、xpath节点选取
xpath 使用路径表达式在 xml 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
下面列出了最有用的路径表达式:
表达式 | 描述 |
---|---|
nodename | 选取此节点的所有子节点。 |
/ | 从根节点选取。 |
// | 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。 |
. | 选取当前节点。 |
.. | 选取当前节点的父节点。 |
@ | 选取属性。 |
一些常用表达式
路径表达式 | 结果 |
---|---|
/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
/bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
//title[@lang='eng'] | 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。 |
/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。 |
/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。 |