htmlcleaner 运用示例

htmlcleaner 使用示例.

原文出处：http://blog.chenlb.com/2008/11/htmlcleaner-use-demo.html

编程的时候，有时数据源从html来。那就要对html分析提取数据。好在java社区里有好有相关库来解析html，经使用比较：个人觉得 htmlcleaner 比 htmlparser 好用。htmlcleaner 的 xpath特好用。也可能我对htmlparser不熟悉。

htmlcleaner 下载地址：htmlcleaner2_1.jar 源码下载：htmlcleaner2_1-all.zip

写一个测试用的html文件：html-clean-demo.html

模拟需求：取出title，name="my_href" 的链接，div的class="java">package com.chenlb;import java.io.File;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode;/** * htmlcleaner 使用示例. * * @author chenlb 2008-11-26 下午02:12:02 */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。个人认为：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。