htmlcleaner使用方法及xpath语法初探
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.nhooo.com/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 <!DOCTYPEhtmlPUBLIC"-//W3C//DTDXHTML1.0Transitional""http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <htmlxmlns="http://www.w3.org/1999/xhtml"xml:lang="zh-CN"dir="ltr"> <head> <metahttp-equiv="Content-Type"content="text/html;charset=GBK"/> <metahttp-equiv="Content-Language"content="zh-CN"/> <title>htmlcleandemo</title> </head> <body> <divclass="d_1"> <ul> <li>bar</li> <li>foo</li> <li>gzz</li> </ul> </div> <div> <ul> <li><aname="my_href"href="1.html">text-1</a></li> <li><aname="my_href"href="2.html">text-2</a></li> <li><aname="my_href"href="3.html">text-3</a></li> <li><aname="my_href"href="4.html">text-4</a></li> </ul> </div> </body> </html>
HtmlCleanerDemo.java
packagecom.chenlb; importjava.io.File; importorg.htmlcleaner.HtmlCleaner; importorg.htmlcleaner.TagNode; /** *htmlcleaner使用示例. * */ publicclassHtmlCleanerDemo{ publicstaticvoidmain(String[]args)throwsException{ HtmlCleanercleaner=newHtmlCleaner(); TagNodenode=cleaner.clean(newFile("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(Objecton:ns){ TagNoden=(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(Objecton:ns){ TagNoden=(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
importjava.io.UnsupportedEncodingException; importorg.htmlcleaner.HtmlCleaner; importorg.htmlcleaner.TagNode; importorg.htmlcleaner.XPatherException; importorg.slf4j.Logger; importorg.slf4j.LoggerFactory; //importcom.moore.index.BabyStory; importcom.moore.util.HttpClientUtil; /** *用途:TODO * *@authorbbdtek */ publicclassParserAirport{ privatestaticLoggerlog=LoggerFactory.getLogger(ParserAirport.class); /** *@paramargs *@throwsUnsupportedEncodingException *@throwsXPatherException */ publicstaticvoidmain(String[]args)throwsUnsupportedEncodingException, XPatherException{ Stringurl="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"; Stringcontents=HttpClientUtil.getUtil().getCon(url); HtmlCleanerhc=newHtmlCleaner(); TagNodetn=hc.clean(contents); Stringxpath="//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(Objectobj:objarr){ TagNodetntr=(TagNode)obj; Stringxptr="//td[@align='left']//a"; Object[]objarrtr=null; objarrtr=tntr.evaluateXPath(xptr); if(objarrtr!=null&&objarrtr.length>0){ for(Objectobja:objarrtr){ TagNodetna=(TagNode)obja; Stringstr=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。