htmlparser

最新推荐文章于 2023-03-09 09:33:33 发布

randomnet

最新推荐文章于 2023-03-09 09:33:33 发布

阅读量501

点赞数

分类专栏：日记文章标签： html filter java string 编程 c#

日记专栏收录该内容

8 篇文章

订阅专栏

htmlparser

简介

htmlparser基本功能

htmlparser常用代码

编辑本段 简介

　　htmlparser是一个纯的java写的html解析的库，它不依赖于其它的java库文件，主要用于改造或提取html。它能超高速解析html，而且不会出错。现在htmlparser最新版本为2.0。毫不夸张地说，htmlparser就是目前最好的html解析和分析的工具。无论你是想抓取网页数据还是改造html的内容，用了htmlparser绝对会忍不住称赞。

编辑本段 htmlparser基本功能

　　1．信息提取文本信息抽取，例如对HTML进行有效信息搜索链接提取，用于自动给页面的链接文本加上链接的标签资源提取，例如对一些图片、声音的资源的处理链接检查，用于检查HTML中的链接是否有效页面内容的监控　　
2．信息转换链接重写，用于修改页面中的所有超链接网页内容拷贝，用于将网页内容保存到本地内容检验，可以用来过滤网页上一些令人不愉快的字词HTML信息清洗，把本来乱七八糟的HTML信息格式化转成XML格式数据

编辑本段 htmlparser常用代码

　　取得一段html代码里面所有的链接C#版本，java版本类似：
　　string htmlcode = "<HTML><HEAD><TITLE>AAA</TITLE></HEAD><BODY>" + ...... + "</BODY></HTML>";
　　Parser parser = Parser.CreateParser(htmlcode, "GBK");
　　HtmlPage page = new HtmlPage(parser);

　　try{ 
         parser.VisitAllNodesWith(page);
    }catch (ParserException e1){ 
        e1 = null;
    }

　　NodeList nodelist = page.Body;
　　NodeFilter filter = new TagNameFilter("A");
　　nodelist = nodelist.ExtractAllNodesThatMatch(filter, true);

　　for (int i = 0; i < nodelist.Size(); i++){
     　　LinkTag link=(LinkTag) nodelist.ElementAt(i);
　　     System.Console.Write(link.GetAttribute("href") + "\n");
　　}

扩展阅读：