近来有些朋友在做蜘蛛算法，或者在网页上面做深度的数据挖掘。但是遇到复杂而繁琐的html页面大家都望而却步。因为很难获取到相应的数据。
最古老的办法的是尝试用正则表达式，估计那么繁琐的东西得不偿失，浪费我们宝贵的时间。
第二个办法用开源组织htmlparser的包，这个是一个比较老的项目，但是效果估计不是很好，好像不可以深入分析html，只能分析5级的结构；
我这里有个htmlparser的源代码，可以获取所有的超链接的
/* * To change this template, choose Tools | Templates * and open the template in the editor. */ package test; import java.util.HashMap; import java.util.Map; import org.htmlparser.Node; import org.htmlparser.NodeFilter; import org.htmlparser.Parser; import org.htmlparser.tags.LinkTag; import org.htmlparser.util.NodeList; /** * * @author Arjick@163.com */ public class GetLinkTest { public static void main(String[] args) { try { // 通过过滤器过滤出<A>标签 Parser parser = new Parser("http://www.lovezan.com"); NodeList nodeList = parser.extractAllNodesThatMatch(new NodeFilter() { // 实现该方法,用以过滤标签 public boolean accept(Node node) { if (node instanceof LinkTag)// 标记 { return true; } return false; } }); // 打印 for (int i = 0; i < nodeList.size(); i++) { LinkTag n = (LinkTag) nodeList.elementAt(i); //System.out.print(n.getStringText() + " ==>> "); //System.out.println(n.extractLink()); try { if (n.extractLink().equals("http://www.zuzwn.com")) { System.out.println(n.extractLink()); } } catch (Exception e) { } } } catch (Exception e) { e.printStackTrace(); } } }
第三个办法，也是我现在一直在用的办法，首先把html清理为xml，然后用java解析xml获取数据，现在上传一个java clean html的源代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
/* * To change this template, choose Tools | Templates
* and open the template in the editor.
*/
package
exec;
import java.io.File;
import java.io.IOException;
import org.htmlcleaner.CleanerProperties;
import
org.htmlcleaner.HtmlCleaner;
import
org.htmlcleaner.PrettyXmlSerializer;
import
org.htmlcleaner.TagNode;
/** *
*/
public
class HtmlClean {
public
void cleanHtml(String htmlurl, String xmlurl) {
try
{
long
start = System.currentTimeMillis();
HtmlCleaner cleaner = new
HtmlCleaner();
CleanerProperties props = cleaner.getProperties();
props.setUseCdataForScriptAndStyle(true);
props.setRecognizeUnicodeChars(true);
props.setUseEmptyElementTags(true);
props.setAdvancedXmlEscape(true);
props.setTranslateSpecialEntities(true);
props.setBooleanAttributeValues("empty");
TagNode node = cleaner.clean(new
File(htmlurl));
System.out.println("vreme:"
+ (System.currentTimeMillis() - start));
new
PrettyXmlSerializer(props).writeXmlToFile(node, xmlurl);
System.out.println("vreme:"
+ (System.currentTimeMillis() - start));
} catch
(IOException e) {
e.printStackTrace();
}
}
} |