HtmlCleaner XPath API使用

2024-01-01 19:58

本文主要是介绍HtmlCleaner XPath API使用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

HtmlCleaner是使用Java编写的HTML解析开源组件。网络上的HTML一般是比较杂乱的,难以进一步处理,需要大量的时间去剔除无效的内容,按照顺序整理tag,attribute等。HtmlCleaner能够将任意的HTML格式化为XML。HtmlCleaner会同浏览器一样默认的创建DOM(Document Object Model)。不论怎样,都需要自定义tag筛选策略和调整方式。

 

HtmlCleaner可以配置相应的参数(http://htmlcleaner.sourceforge.net/parameters.php),可以在在Java代码中定义,如:

 

HtmlCleaner cleaner = 
new HtmlCleaner( new ConfigFileTagProvider(myConfigFile) );

 

 

也可以在命令行中定义,如:

 

java -jar htmlcleanerXX.jar [src = <url | file>] [incharset = <charset>] 
[dest = <file>] [outcharset = <charset>] 
[taginfofile = <file>] [options...]

 

 

可以通过http://htmlcleaner.sourceforge.net/javause.php,查看基本的用法。

 

既然HtmlCleaner在内部将HTML组织成XML,那么使用XPath也是理所当然的。作为例子,抓取“豆瓣电影TOP250”

 

package org.htmlcleaner;
import java.net.URL;
import java.util.ArrayList;
import java.util.List;
/**
* @author Reymont.Li
* @DateTime 2015年8月17日 下午6:36:26
*/
public class DoubanTest {
// http://movie.douban.com/top250
// http://movie.douban.com/top250?start=200&filter=&type=
// http://movie.douban.com/top250?start=225&filter=&type=
public static void main(String[] args) throws Exception {
HtmlCleaner cleaner = new HtmlCleaner();
String urlAddr = "http://movie.douban.com/top250";
List<String> names = new ArrayList<String>();
List<String> stars = new ArrayList<String>();
List<String> remarks = new ArrayList<String>();
for (int i = 0; i <= 10; i++) {
TagNode root = cleaner.clean(new URL(urlAddr + "?start=" + i * 25));
Object[] nameArray = root.evaluateXPath("//div[@class='info']//a/span[1]");
for (Object nameNode : nameArray) {
String name = nameNode instanceof TagNode ? ((TagNode) nameNode).getText().toString()
: nameNode.toString();
names.add(name.trim());
}
Object[] starArray = root.evaluateXPath("//div[@class='info']//em");
for (Object starNode : starArray) {
String star = starNode instanceof TagNode ? ((TagNode) starNode).getText().toString()
: starNode.toString();
stars.add(star.trim());
}
Object[] remarkArray = root.evaluateXPath("//div[@class='info']//div[@class='star']/span[2]");
for (Object remarkNode : remarkArray) {
String remark = remarkNode instanceof TagNode ? ((TagNode) remarkNode).getText().toString()
: remarkNode.toString();
remarks.add(remark.trim());
}
}
for (int i = 0; i < names.size(); i++) {
System.out.println(
(i + 1) + "\t name:" + names.get(i) + "\t\t star:" + stars.get(i) + "\t remark:" + remarks.get(i));
}
}
}

 

 

参考:

HtmlCleaner Project Home Page

http://htmlcleaner.sourceforge.net/javause.php

htmlcleaner使用及xpath语法初探 - reesun的专栏 - 博客频道 - CSDN.NET

http://blog.csdn.net/reesun/article/details/8021201

Java - XPath解析爬取内容 - 推酷

http://www.tuicool.com/articles/Uzmmue

Java 语言的 XPath API

http://www.ibm.com/developerworks/cn/xml/x-javaxpathapi.html

这篇关于HtmlCleaner XPath API使用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/560349

相关文章

Vue3绑定props默认值问题

《Vue3绑定props默认值问题》使用Vue3的defineProps配合TypeScript的interface定义props类型,并通过withDefaults设置默认值,使组件能安全访问传入的... 目录前言步骤步骤1:使用 defineProps 定义 Props步骤2:设置默认值总结前言使用T

Java中的抽象类与abstract 关键字使用详解

《Java中的抽象类与abstract关键字使用详解》:本文主要介绍Java中的抽象类与abstract关键字使用详解,本文通过实例代码给大家介绍的非常详细,感兴趣的朋友跟随小编一起看看吧... 目录一、抽象类的概念二、使用 abstract2.1 修饰类 => 抽象类2.2 修饰方法 => 抽象方法,没有

MyBatis ParameterHandler的具体使用

《MyBatisParameterHandler的具体使用》本文主要介绍了MyBatisParameterHandler的具体使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参... 目录一、概述二、源码1 关键属性2.setParameters3.TypeHandler1.TypeHa

Spring 中的切面与事务结合使用完整示例

《Spring中的切面与事务结合使用完整示例》本文给大家介绍Spring中的切面与事务结合使用完整示例,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考... 目录 一、前置知识:Spring AOP 与 事务的关系 事务本质上就是一个“切面”二、核心组件三、完

使用docker搭建嵌入式Linux开发环境

《使用docker搭建嵌入式Linux开发环境》本文主要介绍了使用docker搭建嵌入式Linux开发环境,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面... 目录1、前言2、安装docker3、编写容器管理脚本4、创建容器1、前言在日常开发全志、rk等不同

使用Python实现Word文档的自动化对比方案

《使用Python实现Word文档的自动化对比方案》我们经常需要比较两个Word文档的版本差异,无论是合同修订、论文修改还是代码文档更新,人工比对不仅效率低下,还容易遗漏关键改动,下面通过一个实际案例... 目录引言一、使用python-docx库解析文档结构二、使用difflib进行差异比对三、高级对比方

sky-take-out项目中Redis的使用示例详解

《sky-take-out项目中Redis的使用示例详解》SpringCache是Spring的缓存抽象层,通过注解简化缓存管理,支持Redis等提供者,适用于方法结果缓存、更新和删除操作,但无法实现... 目录Spring Cache主要特性核心注解1.@Cacheable2.@CachePut3.@Ca

C#下Newtonsoft.Json的具体使用

《C#下Newtonsoft.Json的具体使用》Newtonsoft.Json是一个非常流行的C#JSON序列化和反序列化库,它可以方便地将C#对象转换为JSON格式,或者将JSON数据解析为C#对... 目录安装 Newtonsoft.json基本用法1. 序列化 C# 对象为 JSON2. 反序列化

RabbitMQ 延时队列插件安装与使用示例详解(基于 Delayed Message Plugin)

《RabbitMQ延时队列插件安装与使用示例详解(基于DelayedMessagePlugin)》本文详解RabbitMQ通过安装rabbitmq_delayed_message_exchan... 目录 一、什么是 RabbitMQ 延时队列? 二、安装前准备✅ RabbitMQ 环境要求 三、安装延时队

Python ORM神器之SQLAlchemy基本使用完全指南

《PythonORM神器之SQLAlchemy基本使用完全指南》SQLAlchemy是Python主流ORM框架,通过对象化方式简化数据库操作,支持多数据库,提供引擎、会话、模型等核心组件,实现事务... 目录一、什么是SQLAlchemy?二、安装SQLAlchemy三、核心概念1. Engine(引擎)