htmlcleaner使用方法及xpath語法初探

2019-11-26 15:01:39

字體：大中小

來源：轉載

供稿：網友

在編程的時候或者寫網絡爬蟲的時候，經常需要對html進行解析，抽取其中有用的數據。一款好的工具是特別有用的，能提供很多的幫助，網上有很多這樣的工具，比如：htmlcleaner、htmlparser

經使用比較：感覺 htmlcleaner 比 htmlparser 好用，尤其是htmlcleaner 的 xpath特好用。

下面針對htmlcleaner進行舉例說明，需求為：取出title，name=”my_href” 的鏈接，div的class=”d_1″下的所有li內容。

一、HtmlCleaner使用：

1、HtmlCleaner

HtmlCleaner是一個開源的Java語言的Html文檔解析器。HtmlCleaner能夠重新整理HTML文檔的每個元素并生成結構良好(Well-Formed)的 HTML 文檔。默認它遵循的規則是類似于大部份web瀏覽器為創文檔對象模型所使用的規則。然而，用戶可以提供自定義tag和規則組來進行過濾和匹配。

主頁地址：http://htmlcleaner.sourceforge.net/

下載地址：//www.49028c.com/softs/364983.html

2、基本示例，在wikipedia中抓取機場信息

html-clean-demo.html

html-clean-demo.html<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd "><html xmlns = "http://www.w3.org/1999/xhtml " xml:lang = "zh-CN" dir = "ltr"><head>	<meta http-equiv = "Content-Type" content = "text/html; charset=GBK" /> 	<meta http-equiv = "Content-Language" content = "zh-CN" /> 	<title>html clean demo </title></head><body><div class = "d_1">	<ul>		<li>bar </li>		<li>foo </li>		<li>gzz </li>	</ul></div><div>	<ul>		<li><a name = "my_href" href = "1.html">text-1 </a></li>		<li><a name = "my_href" href = "2.html">text-2 </a></li>		<li><a name = "my_href" href = "3.html">text-3 </a></li>		<li><a name = "my_href" href = "4.html">text-4 </a></li>	</ul></div></body></html>

HtmlCleanerDemo.java

package com.chenlb;import java.io.File;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode;/** * htmlcleaner 使用示例. * */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);	//標題		if(ns.length > 0) {			System.out.println("title="+((TagNode)ns[0]).getText());		}		System.out.println("ul/li:");		//按xpath取		ns = node.evaluateXPath("http://div[@class='d_1']//li");		for(Object on : ns) {			TagNode n = (TagNode) on;			System.out.println("/ttext="+n.getText());		}		System.out.println("a:");		//按屬性值取		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()中的參數，可以是文件，可以是url，可以是字符串內容。比較常用的應該是evaluateXPath、 getElementsByAttValue、getElementsByName方法了。另外說明下，htmlcleaner 對不規范的html兼容性比較好。

在wikipedia中抓取機場信息

import java.io.UnsupportedEncodingException;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode;import org.htmlcleaner.XPatherException;import org.slf4j.Logger;import org.slf4j.LoggerFactory;//import com.moore.index.BabyStory;import com.moore.util.HttpClientUtil;/** * 用途：TODO *  * @author bbdtek */public class ParserAirport {	private static Logger log = LoggerFactory.getLogger(ParserAirport.class);	/**	 * @param args	 * @throws UnsupportedEncodingException	 * @throws XPatherException	 */	public static void main(String[] args) throws UnsupportedEncodingException,			XPatherException {		String url = "http://zh.wikipedia.org/wiki/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E6%9C%BA%E5%9C%BA%E5%88%97%E8%A1%A8";		String contents = HttpClientUtil.getUtil().getCon(url);		HtmlCleaner hc = new HtmlCleaner();		TagNode tn = hc.clean(contents);		String xpath = "http://div[@class='mw-content-ltr']//table[@class='wikitable + sortable']//tbody//tr[@align='right']";		Object[] objarr = null;		objarr = tn.evaluateXPath(xpath);		if (objarr != null && objarr.length > 0) {			for (Object obj : objarr) {				TagNode tntr = (TagNode) obj;				String xptr = "http://td[@align='left']//a";				Object[] objarrtr = null;				objarrtr = tntr.evaluateXPath(xptr);				if (objarrtr != null && objarrtr.length > 0) {					for (Object obja : objarrtr) {						TagNode tna = (TagNode) obja;						String str = tna.getText().toString();						log.info(str);					}				}			}		}	}}

二、XPath初探

1、XPath簡介：

XPath 是一門在 XML 文檔中查找信息的語言。XPath 可用來在 XML 文檔中對元素和屬性進行遍歷。

2、XPath節點選取

XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿著路徑或者 step 來選取的。

下面列出了最有用的路徑表達式：

表達式	描述
nodename	選取此節點的所有子節點。
/	從根節點選取。
//	從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。
.	選取當前節點。
..	選取當前節點的父節點。
@	選取屬性。

一些常用表達式

路徑表達式	結果
/bookstore/book[1]	選取屬于 bookstore 子元素的第一個 book 元素。
/bookstore/book[last()]	選取屬于 bookstore 子元素的最后一個 book 元素。
/bookstore/book[last()-1]	選取屬于 bookstore 子元素的倒數第二個 book 元素。
/bookstore/book[position()<3]	選取最前面的兩個屬于 bookstore 元素的子元素的 book 元素。
//title[@lang]	選取所有擁有名為 lang 的屬性的 title 元素。
//title[@lang='eng']	選取所有 title 元素，且這些元素擁有值為 eng 的 lang 屬性。
/bookstore/book[price>35.00]	選取 bookstore 元素的所有 book 元素，且其中的 price 元素的值須大于 35.00。
/bookstore/book[price>35.00]/title	選取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值須大于 35.00。