【垂直搜索引擎搭建13】HtmlParser中Visitor实践

使用NodeVisitor方式访问html结点

package com.javaeye.suo.htmlparser.samples;import org.htmlparser.Parser;import org.htmlparser.Remark;import org.htmlparser.Tag;import org.htmlparser.Text;import org.htmlparser.visitors.NodeVisitor;import com.javaeye.suo.htmlparser.HtmlParserUtils;public class VisitorDemo extends NodeVisitor{    //记录Remark Node数量    private int remark_node_count;    //记录Text Node数量    private int tag_node_count;    //记录Tag Node数量    private int text_node_count;    public void visitRemarkNode(Remark remark) {        System.out.println("正在访问第 "+(++remark_node_count)+" 个Remark Node ");    }    public void visitStringNode(Text text) {        System.out.println("正在访问第 "+(++tag_node_count)+" 个Text Node ");    }    public void visitTag(Tag tag) {        System.out.println("正在访问第 "+(++text_node_count)+" 个Tag Node ");    }    public static void main(String[] args) {        try{                        //方式一：            String urlStr = "http://localhost:8080/HtmlParser/htmlparser.html";            Parser parser = HtmlParserUtils.getParserWithUrlConn(urlStr, "utf-8");            NodeVisitor visitor = new VisitorDemo ();                    parser.visitAllNodesWith (visitor);                        System.out.println("=========================================");                        //方式二（常用）：                        parser.reset();                        NodeVisitor visitor2 = new NodeVisitor() {                        public void visitTag(Tag tag) {                            System.out.println("正在访问的tag：" + tag.getTagName() + "  ||  Class is :"+ tag.getClass());                        }                    };                    parser.visitAllNodesWith(visitor2);        }catch(Exception e){            e.printStackTrace();        }    }}

一、 Visitor方式访问Html：

1，整体解析过程

• 用一个URL或页面String做一个Parser
• 用这个Parser做一个Visitor
• 使用Parser.visitAllNodeWith(Visitor)来遍历节点
• 获取Visitor遍历后得到的数据

2，Visit过程

• 做解析之前做的事情：visitor.beginParsing();
• 每次取到一个节点Node，让该Node接受accept该Visitor
• 做解析后做的事情：visitor.finishedParsing();

3，获取节点的过程：

逐步遍历Html，分析出Node。此部分较为复杂，且对于我们应用来说无需很多了解，暂跳过。

4，节点访问
      节点访问采用Visitor模式，Node的accept方法和具体Visitor的visit方法是关键。
      首先三类Node来accept的方式各不相同：

• 对于所有TagNode都使用一个accept方法，即TagNode的accept方法。首先判断是否是标签结尾，如果是就visitor.visitEndTag(this)；否则visitor.visitTag (this);
• 如果是TextNode，那就visitor.visitStringNode (this);就可以了。

• 如果是RemarkNode，那就visitor.visitRemarkNode (this);就可以了。

  实际上NodeVisitor里边这四种visit方法都是空的，因为在不同的Visitor中对于这三类节点的处理是不同的；对于需要处理的节点，只要重载对应的visit方法就行了，如果不处理那就不理会就可以了；另外，如果用户用自己的Visitor，那么还可以灵活的处理不同类型的节点了。
  系统为我们实现了下面我要介绍的8种Visitor，实际上可以看作是系统给我们演示了如何做各种各样的Visitor来访问Html，因为实际上我们要真正来用HtmlParser的话，还需要特定的Visitor，而通过简单的这些系统提供的Visitor组合是难以做成什么事情的。

二、系统Visitor功能简介：

• ObjectFindingVisitor：用来找出所有指定类型的节点，采用getTags()来获取结果。
• StringBean：用来从一个指定的URL获取移除了<SCRIPT>``</SCRIPT>和<PRE>``</PRE>之间代码的Html代码，也可以用做Visitor，用来移除这两种标签内部的代码，采用StringBean.getStrings()来获取结果。
• HtmlPage：提取Title，body中的节点和页面中的TableTag节点。
• LinkFindingVisitor:找出节点中包含某个链接的总个数。
• StringFindingVisitor：找出遍历的TextNode中含有指定字符串的个数。
• TagFindingVisitor：找出指定Tag的所有节点，可以指定多种类型。
• TextExtractingVisitor：从网页中把所有标签去掉来提取文本，这个提取文本的Visitor有时是很实用的，只是注意在提取文本时将标签的属性也去掉了，也就是说只剩下标签之间的文本，例如<a>中的链接也去掉了。
• UrlModifyingVisitor：用来修改网页中的链接。