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

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

C 语言中enum枚举的定义和使用小结

《C语言中enum枚举的定义和使用小结》在C语言里,enum(枚举)是一种用户自定义的数据类型,它能够让你创建一组具名的整数常量,下面我会从定义、使用、特性等方面详细介绍enum,感兴趣的朋友一起看... 目录1、引言2、基本定义3、定义枚举变量4、自定义枚举常量的值5、枚举与switch语句结合使用6、枚

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Maven的使用和配置国内源的保姆级教程

《Maven的使用和配置国内源的保姆级教程》Maven是⼀个项目管理工具,基于POM(ProjectObjectModel,项目对象模型)的概念,Maven可以通过一小段描述信息来管理项目的构建,报告... 目录1. 什么是Maven?2.创建⼀个Maven项目3.Maven 核心功能4.使用Maven H

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,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方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

HTML5中的Microdata与历史记录管理详解

《HTML5中的Microdata与历史记录管理详解》Microdata作为HTML5新增的一个特性,它允许开发者在HTML文档中添加更多的语义信息,以便于搜索引擎和浏览器更好地理解页面内容,本文将探... 目录html5中的Mijscrodata与历史记录管理背景简介html5中的Microdata使用M

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

HTML5表格语法格式详解

《HTML5表格语法格式详解》在HTML语法中,表格主要通过table、tr和td3个标签构成,本文通过实例代码讲解HTML5表格语法格式,感兴趣的朋友一起看看吧... 目录一、表格1.表格语法格式2.表格属性 3.例子二、不规则表格1.跨行2.跨列3.例子一、表格在html语法中,表格主要通过< tab