htmlcleaner使用方法及xpath语法初探

作者：mdxy-dxy 时间：2023-04-11 07:14:06　

在编程的时候或者写网络爬虫的时候，经常需要对html进行解析，抽取其中有用的数据。一款好的工具是特别有用的，能提供很多的帮助，网上有很多这样的工具，比如：htmlcleaner、htmlparser

经使用比较：感觉 htmlcleaner 比 htmlparser 好用，尤其是htmlcleaner 的 xpath特好用。

下面针对htmlcleaner进行举例说明，需求为：取出title，name=”my_href” 的链接，div的class=”d_1″下的所有li内容。

一、HtmlCleaner使用：

1、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。然而，用户可以提供自定义tag和规则组来进行过滤和匹配。

主页地址：http://htmlcleaner.sourceforge.net/

下载地址：https://www.jb51.net/softs/364983.html

2、基本示例，在wikipedia中抓取机场信息

html-clean-demo.html

html-clean-demo.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd ">
<html xmlns = "http://www.w3.org/1999/xhtml " xml:lang = "zh-CN" dir = "ltr">
<head>
<meta http-equiv = "Content-Type" content = "text/html; charset=GBK" />
<meta http-equiv = "Content-Language" content = "zh-CN" />
<title>html clean demo </title>
</head>
<body>
<div class = "d_1">
<ul>
<li>bar </li>
<li>foo </li>
<li>gzz </li>
</ul>
</div>
<div>
<ul>
<li><a name = "my_href" href = "1.html">text-1 </a></li>
<li><a name = "my_href" href = "2.html">text-2 </a></li>
<li><a name = "my_href" href = "3.html">text-3 </a></li>
<li><a name = "my_href" href = "4.html">text-4 </a></li>
</ul>
</div>
</body>
</html>

HtmlCleanerDemo.java

package com.chenlb;
import java.io.File;
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;
/**
* htmlcleaner 使用示例.
*
*/
public class HtmlCleanerDemo {
public static void main(String[] args) throws Exception {
HtmlCleaner cleaner = new HtmlCleaner();
TagNode node = cleaner.clean(new File("html/html-clean-demo.html"), "GBK");
//按tag取.
Object[] ns = node.getElementsByName("title", true);//标题
if(ns.length > 0) {
System.out.println("title="+((TagNode)ns[0]).getText());
}
System.out.println("ul/li:");
//按xpath取
ns = node.evaluateXPath("//div[@class='d_1']//li");
for(Object on : ns) {
TagNode n = (TagNode) on;
System.out.println("\ttext="+n.getText());
}
System.out.println("a:");
//按属性值取
ns = node.getElementsByAttValue("name", "my_href", true, true);
for(Object on : ns) {
TagNode n = (TagNode) on;
System.out.println("\thref="+n.getAttributeByName("href")+", text="+n.getText());
}
}
}

cleaner.clean()中的参数，可以是文件，可以是url，可以是字符串内容。比较常用的应该是evaluateXPath、 getElementsByAttValue、getElementsByName方法了。另外说明下，htmlcleaner 对不规范的html兼容性比较好。

在wikipedia中抓取机场信息

import java.io.UnsupportedEncodingException;
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;
import org.htmlcleaner.XPatherException;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
//import com.moore.index.BabyStory;
import com.moore.util.HttpClientUtil;
/**
* 用途：TODO
*
* @author bbdtek
*/
public class ParserAirport {
private static Logger log = LoggerFactory.getLogger(ParserAirport.class);
/**
* @param args
* @throws UnsupportedEncodingException
* @throws XPatherException
*/
public static void main(String[] args) throws UnsupportedEncodingException,
XPatherException {
String url = "http://zh.wikipedia.org/wiki/％E4％B8％AD％E5％8D％8E％E4％BA％BA％E6％B0％91％E5％85％B1％E5％92％8C％E5％9B％BD％E6％9C％BA％E5％9C％BA％E5％88％97％E8％A1％A8";
String contents = HttpClientUtil.getUtil().getCon(url);
HtmlCleaner hc = new HtmlCleaner();
TagNode tn = hc.clean(contents);
String xpath = "//div[@class='mw-content-ltr']//table[@class='wikitable + sortable']//tbody//tr[@align='right']";
Object[] objarr = null;
objarr = tn.evaluateXPath(xpath);
if (objarr != null && objarr.length > 0) {
for (Object obj : objarr) {
TagNode tntr = (TagNode) obj;
String xptr = "//td[@align='left']//a";
Object[] objarrtr = null;
objarrtr = tntr.evaluateXPath(xptr);
if (objarrtr != null && objarrtr.length > 0) {
for (Object obja : objarrtr) {
TagNode tna = (TagNode) obja;
String str = tna.getText().toString();
log.info(str);
}
}
}
}
}
}

二、XPath初探

1、XPath简介：

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。

2、XPath节点选取

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

一些常用表达式

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

标签：htmlcleaner,xpath

投稿

htmlcleaner使用方法及xpath语法初探

猜你喜欢

java数据结构基础:单链表与双向链表

C#日历样式的下拉式计算器实例讲解

利用Postman和Chrome的开发者功能探究项目(毕业设计项目)

Java去掉小数点后面无效0的方案与建议

C#创建压缩文件的实现代码

Java实现读取项目中文件(.json或.properties)的方法详解

C#邮件定时群发工具Atilia用法实例

Java设计模式之java组合模式详解

java实现的DES加密算法详解

Android通过原生APi获取所在位置的经纬度

Android利用Canvas标点画线并加入位移动画(2)

Android PopupWindow实现遮罩层效果

新手初学Java对象内存构成

Spring Cloud Gateway 默认的filter功能和执行顺序介绍

分析java中全面的单例模式多种实现方式

Springboot添加支付接口

java中SynchronizedList和Vector的区别详解

Mybatis-Plus 全局配置无效的解决方案

Java 17 更快的 LTS 节奏

Android实现照片墙效果的实例代码