`
eimhee
  • 浏览: 2115532 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

htmlcleaner过滤HTML

    博客分类:
  • JAVA
阅读更多

曾经用HTMLParser过滤HTML, 但发现HTMLParser有时候对不规范的HTMl解析不了, 并且不支持xpath,

后来在Web-Harvest开源爬虫网站找到了HTMLParser,能够帮助我们将HTML 文档 转化为结构化的XML文档。虽然目前已经有了类似这样的工具,但是HtmlCleaner 能够完成几乎所有的HTML转换,而且不到30k,这是他们值得称道的地方。

 

1.HtmlCleaner的文档对象模型现在拥有了一些函数,处理节点和属性,所以现在在序列化之前搜索或者编辑是非常容易的。
2.提供基本 HtmlCleaner DOM的XPath支持

3. 解析后编程轻量级文档对象,能够很容易的被转换到DOM或者JDom标准文档,或者通过各种方式(压缩,打印)连续输出XML。

转换完成后, 能用JDOM,dom4j对文当进行处理

 

package com.citgee.webclip;

import org.htmlcleaner.*;

import java.net.*;
import java.io.*;
import java.util.*;

import org.jdom.*;
//import org.jdom.output.*;
import org.jdom.contrib.helpers.XPathHelper;
import org.jdom.filter.Filter;
import org.jdom.output.Format;
import org.jdom.output.XMLOutputter;
import org.jdom.xpath.XPath;

public class WebClipUtils {
 
 public static Document getDocumentByURL(String url,String charset) throws MalformedURLException, IOException{
  HtmlCleaner htmlCleaner = new HtmlCleaner();
  CleanerProperties props = htmlCleaner.getProperties();
  TagNode node = htmlCleaner.clean(new URL(url),charset);
  JDomSerializer jdomSerializer = new JDomSerializer(props,true);
  Document doc = jdomSerializer.createJDom(node);
  return doc;
 }
 
 public static List<Element> getElementsByTagName(Document doc,String tagName){
  List<Element> eleList = new ArrayList<Element>();
  buildList(doc.getRootElement(),tagName,eleList);
  return eleList;
 }
 
 private static void buildList(Element rootEle,String tagName,List<Element> eleList){
  if(rootEle.getName().equals(tagName)){
   eleList.add(rootEle);
  }
  List list = rootEle.getChildren();
  for(Iterator iter = list.iterator();iter.hasNext();){
   Element ele = (Element)iter.next();
   buildList(ele,tagName,eleList);
  }
 }
 
 public static void printElement(Element ele) throws IOException{
  XMLOutputter outputer = new XMLOutputter();
  Format format = outputer.getFormat();
  format.setEncoding("GB2312");
  outputer.setFormat(format);
  outputer.output(ele, System.out);
 }
 
 
 public static void main(String[] args) throws Exception{
  HtmlCleaner htmlCleaner = new HtmlCleaner();
  
  CleanerProperties props = htmlCleaner.getProperties();
  
  
//  TagNode node = htmlCleaner.clean(new URL("http://www.baidu.com"));
  TagNode node = htmlCleaner.clean(new URL("http://www.huanqiu.com"),"UTF-8");
  
//  XmlSerializer xmlSerializer = new PrettyXmlSerializer(props);
//  StringWriter writer = new StringWriter();
//  xmlSerializer.writeXml(node, writer, "GB2312");
//  System.out.println(writer.toString());
  
  JDomSerializer jdomSerializer = new JDomSerializer(props,true);
  Document doc = jdomSerializer.createJDom(node);
  
  Element rootEle = doc.getRootElement();
  
  System.out.println(XPathHelper.getPathString(rootEle));
  final String tagName = "div";
  List list = getElementsByTagName(doc,"div");
  System.out.println(list.size());
  Iterator iter = list.iterator();
  while (iter.hasNext()) {
   Element ele = (Element) iter.next();
   System.out.println();
   System.out.println("*****************************************");
   System.out.println(XPathHelper.getPathString(ele));
   System.out.println("*****************************************");
   printElement(ele);
  }
  

  
 }
}









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();  
        }  
    }  
}  
  
8
0
分享到:
评论
6 楼 SE_XiaoFeng 2013-04-15  
看的我是晕晕乎乎的。
5 楼 tianhewulei 2010-04-15  
NEKOHTML其实也不错...
4 楼 eimhee 2010-04-15  
xiaoyiz 写道
我觉得你没必要。。。htmlcleaner本身就支持xpath来查找。。在用jdom dom4j sax之类的再进行解析感觉多此一举了。。。

例如:查找一个<div class='weatherYubaoBox'><p>其他N多节点</p></div>
Object[] weatherBoxInfoObjects = node.evaluateXPath("//div[@class='weatherYubaoBox']//table");


htmlcleaner支持xpath的功能不全
3 楼 xiaoyiz 2010-04-14  
我觉得你没必要。。。htmlcleaner本身就支持xpath来查找。。在用jdom dom4j sax之类的再进行解析感觉多此一举了。。。

例如:查找一个<div class='weatherYubaoBox'><p>其他N多节点</p></div>
Object[] weatherBoxInfoObjects = node.evaluateXPath("//div[@class='weatherYubaoBox']//table");

2 楼 whaosoft 2010-04-12  
这个很好 用吗?
1 楼 sdh5724 2010-04-04  
性能如何, 每秒能处理几M HTML?

相关推荐

    htmlcleaner html解析器

    htmlcleaner html解析器htmlcleaner html解析器

    HtmlCleaner

    HtmlCleaner是一个开源的Java语言的Html文档解析器。 HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则...

    htmlcleaner html解析器2.2版

    htmlcleaner html解析器2.2版 ,解析速度很快的,比htmlparser1使用还速度快

    HtmlCleaner2.6.1 API (英文) 及 JAR Library

    HtmlCleaner2.6.1 API (英文) 及 JAR Library API LINK: http://htmlcleaner.sourceforge.net/doc/index.html

    HTMLCleaner(HTML代码优化工具)V1.0官方英文免费版

    HTML优化工具(HTML Cleaner) V1.0免费版HTML Cleaner是一个方便和可靠的HTML优化工具,旨在从HTML文档中删除不必要的字符,如多余的空格,引号,可选结束标记,等等。

    htmlcleaner-2.2.4.jar

    网络爬虫htmlcleaner的jar包

    htmlcleaner-2.8.jar

    Java解析HTML利器 htmlcleaner2.8

    HtmlCleaner2.1API参考手册.chm

    HtmlCleaner2.1API参考手册.chm HtmlCleaner是一个把html解析为XML文档的Java程序库。 我试过,这是java世界中最快、最好、最小、最强大的Html解析库。 可以解析为DOM对象,然后使用其他的xml分析器进行分析。

    HTMLcleaner

    Java的HTML开源解析框架,可以用来提取Html文档里面的特定元素

    网页解析工具HTMLCleaner

    能清晰方便的找出网页中元素的对应关系,可以单独去掉某个tag标签及向里面添加页面元素

    网页爬虫demo 带htmlcleaner jar包

    一个最简单的htmlcleaner扒网页内容,demo中以58种的一个页面为例,xpath请通过chrome浏览器控制台选中需要的内容后右击选择复制xpath 不喜勿喷,资源免费下载

    htmlcleaner,活跃的.zip

    注意//htmlcleaner.sourceforge.net/从2.4版起的项目

    htmlcleaner2_1.jar

    html解析工具,支持xpath,简单方便

    HtmlCleaner 用法

    NULL 博文链接:https://z-one.iteye.com/blog/1172948

    htmlcleaner-2.22_html_XSS_

    过滤转义URL、html、javascript 不安全的字符,防止XSS攻击。

    HtmlCleanerv2.13Html文档解析器

    HtmlCleaner是一个开源的Java语言的Html文档解析器。HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。...

    HtmlCleaner使用说明文档

    HtmlCleaner使用说明文档, 全面,还有很多例子可以参考!有空多交流!

    htmlcleaner使用方法及xpath语法初探

    HtmlCleaner是一个开源的Java语言的Html文档解析器。HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档

    htmlcleaner-2.2

    HtmlCleaner是一个开源的Java语言的Html文档解析器。

    htmlcleaner

    HTML网页解析,非常好的jar包!方便开发。

Global site tag (gtag.js) - Google Analytics