htmlcleaner使用方法及xpath语法初探
程序员文章站
2024-03-06 12:19:01
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：htmlclean...
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。 |