cyberneko+Dom4j玩转HTML解析

来源：互联网发布：软件模块接口编辑：程序博客网时间：2024/06/05 05:14

        cyberneko是一个HTML解析器,它可以将HTML文件解析成w3c的Document对象。Dom4J则支持通过XPath表达式检索元素。用XPath检索Html真的是很爽的事！现在就开始：

        第一步:cyberneko解析
        DOMParser parser = new DOMParser();
parser.parse(path);
org.w3c.dom.Document w3cDoc=parser.getDocument();

        第二步:w3c的Document转换为Dom4J的Document:
        DOMReader domReader=new DOMReader();
document=domReader.read(w3cDoc);

        第三步:创建Xpath对象
        XPath xpath=new DefaultXPath("//DIV[@class='abc']");

        如果页面声明了xmlns命名空间，还需要加入命名空间信息
        Map nameSpaces=new HashMap();
nameSpaces.put("xmlns","http://www.w3.org/1999/xhtml");
        xpath.setNamespaceContext(new SimpleNamespaceContext(nameSpaces));
        这样，表达式就应该写成:
        "//xmlns:DIV[@xmlns:class='abc']"

        第四步:检索
        List nodes=xpath.selectNodes(doc);


        参考: http://blog.sina.com.cn/s/blog_4a86545f0100097l.html