HtmlParser基础入门-文本抽取
来源:互联网 发布:手机上编程小游戏 编辑:程序博客网 时间:2024/05/23 16:29
使用HtmlParser,我们可以非常方便的对HTML文件进行解析。结合爬虫程序,快速获得网页上感兴趣的内容。本文中的代码使用的是HtmlParser 1.6版本。HtmlParser将HTML文件依据标签将其分解成树形结构,并定义了三种Node来存储这些内容:
- TagNode:标签结点。存储了标签中的内容。
- TextNode:文本结点。存储了Html文件中的文本内容。
- RemarkNode:注释结点。存储了
如果需要通过HtmlParser来对HTML文件进行解析,首先需要建立一个Parser对象。可以通过String、URLConnection或者Lexer来构造一个Parser对象。其中,String的第一个非空白字符如果是“<",则该String被看成HTML;否则,其被尝试为URL链接被打开;如果打开仍然失败,则该String被当做本地的一个文件地址。
例如,通过一个URL来构造Parser对象:
String url = "www.baidu.com";Parser parser = new Parser(url);
对HTML内容的抽取,最简单常用的方法是使用过滤器(filter)来定义一些过滤条件,然后再通过Paser类的extractAllNodesThatMatch方法来得到过滤后的NodeList。如以下几种常用的filter:
- HasAttribeFilter:筛选出具有特定属性,或者具有特定”属性-值“的结点;
- LinkRegexFilter:筛选出满足正则表达式的超链接;
- LinkStringFilter:筛选出包含特定字符串的超链接;
- OrFilter:”或“过滤器,可以将若干filter的条件以逻辑或的方式组合。
得到了一些筛选出来的Node后,我们可以使用Node固有的方法,或者通过自己写代码来抽取出想要的内容。如.toPlainTextString(), getAttribute()。
// 获取一个网站上的链接,filter 用来过滤链接,返回所获得链接的集合public static ArrayList<String> extractLinks(String url) {ArrayList<String> links = new ArrayList<String>();try {Parser parser = new Parser(url);parser.setEncoding(parser.getEncoding());// 过滤得到形如"/beijing?pageno=2"的链接NodeFilter frameFilter = new LinkRegexFilter("/[a-z]*\\?pageno=[0-9]");NodeList list = parser.extractAllNodesThatMatch(frameFilter);for (int i = 0; i < list.size(); i++) {TagNode tag = (TagNode) list.elementAt(i);String frameUrl = tag.getAttribute("href");// 提取链接links.add(frameUrl);}} catch (ParserException e) {e.printStackTrace();}return links;}
//获取分类链接,classification用来存放分类名称public static ArrayList<String> extractClassLinks(String city, String url, ArrayList<String> className) {ArrayList<String> links = new ArrayList<String>();try {Parser parser = new Parser(url);parser.setEncoding(parser.getEncoding());// 过滤得到形如"/beijing/c/2"的链接NodeFilter frameFilter = new LinkRegexFilter("/" + city + "/c/[0-9]+");NodeList list = parser.extractAllNodesThatMatch(frameFilter);for (int i = 0; i < list.size(); i++) {TagNode tag = (TagNode) list.elementAt(i);Node tagChild = tag.getFirstChild();className.add(tagChild.getText());//获取分类名称String frameUrl = tag.getAttribute("href");// 提取链接links.add(frameUrl);}} catch (ParserException e) {e.printStackTrace();}return links;}
- HtmlParser基础入门-文本抽取
- HtmlParser抽取页面文本内容的方法总结
- HtmlParser入门
- HtmlParser 获取文本信息
- 文本分类的基础入门
- 文本抽取与还原
- 从文本抽取特征
- PDFbox实现文本抽取
- Tika文本抽取实例
- htmlparser入门讲解
- htmlparser 基础 网页拔取
- Python基础 HTMLParser
- kettle入门(五) 之kettle抽取gz格式文本详细案例
- HtmlParser处理gbk编码网页抽取乱码的问题
- htmlparser抽取网页内相关节点链接的代码
- Java抽取word里面文本
- java htmlparser 简单使用入门
- 高效文本编辑器vim之基础入门
- 【转】关于javaScript中的Object
- vim够用命令
- 有符号数与无符号数之间运算问题
- CodeBlocks启动多个进程实例的做法
- struts2之自定义校验器
- HtmlParser基础入门-文本抽取
- 网页拼图游戏(Jquery)
- 并查集
- 第二周实验报告
- 227
- 图像傅立叶变换(二维傅立叶变换fourier, 二维DFT, 2d-fft)的原理和物理意义
- 多张图片的浮动
- Import a CSV File Into Magento
- 观察者模式的应用