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

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Spring Boot中WebSocket常用使用方法详解

《SpringBoot中WebSocket常用使用方法详解》本文从WebSocket的基础概念出发,详细介绍了SpringBoot集成WebSocket的步骤,并重点讲解了常用的使用方法,包括简单消... 目录一、WebSocket基础概念1.1 什么是WebSocket1.2 WebSocket与HTTP

C#中Guid类使用小结

《C#中Guid类使用小结》本文主要介绍了C#中Guid类用于生成和操作128位的唯一标识符,用于数据库主键及分布式系统,支持通过NewGuid、Parse等方法生成,感兴趣的可以了解一下... 目录前言一、什么是 Guid二、生成 Guid1. 使用 Guid.NewGuid() 方法2. 从字符串创建

Knife4j+Axios+Redis前后端分离架构下的 API 管理与会话方案(最新推荐)

《Knife4j+Axios+Redis前后端分离架构下的API管理与会话方案(最新推荐)》本文主要介绍了Swagger与Knife4j的配置要点、前后端对接方法以及分布式Session实现原理,... 目录一、Swagger 与 Knife4j 的深度理解及配置要点Knife4j 配置关键要点1.Spri

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

Spring IoC 容器的使用详解(最新整理)

《SpringIoC容器的使用详解(最新整理)》文章介绍了Spring框架中的应用分层思想与IoC容器原理,通过分层解耦业务逻辑、数据访问等模块,IoC容器利用@Component注解管理Bean... 目录1. 应用分层2. IoC 的介绍3. IoC 容器的使用3.1. bean 的存储3.2. 方法注

Python内置函数之classmethod函数使用详解

《Python内置函数之classmethod函数使用详解》:本文主要介绍Python内置函数之classmethod函数使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录1. 类方法定义与基本语法2. 类方法 vs 实例方法 vs 静态方法3. 核心特性与用法(1编程客

Linux中压缩、网络传输与系统监控工具的使用完整指南

《Linux中压缩、网络传输与系统监控工具的使用完整指南》在Linux系统管理中,压缩与传输工具是数据备份和远程协作的桥梁,而系统监控工具则是保障服务器稳定运行的眼睛,下面小编就来和大家详细介绍一下它... 目录引言一、压缩与解压:数据存储与传输的优化核心1. zip/unzip:通用压缩格式的便捷操作2.

使用Python实现可恢复式多线程下载器

《使用Python实现可恢复式多线程下载器》在数字时代,大文件下载已成为日常操作,本文将手把手教你用Python打造专业级下载器,实现断点续传,多线程加速,速度限制等功能,感兴趣的小伙伴可以了解下... 目录一、智能续传:从崩溃边缘抢救进度二、多线程加速:榨干网络带宽三、速度控制:做网络的好邻居四、终端交互