HTMLParser使用详解分析和总结.docxVIP

HTMLParser 具有小巧，快速的优点，缺点是相关文档比较少（英文的也少），很多功能需要自己摸索。对于初学者还是要费一些功夫的，而一 旦上手以后，会发现 HTMLParser 的结构设计很巧妙，非常实用，基本你的各种需求都可以满足。 这里我根据自己这几个月来的经验，写了一点入门的东西，希望能对新学习 HTMLParser 的朋友们有所帮助。（不过当年高考本人语文只比及格高一分，所以文法方面的问题还希望大家多多担待） HTMLParser 的核心模块是 org.htmlparser.Parser 类，这个类实际完成了对于 HTML 页面的分析工作。这个类有下面几个构造函数： public Parser (); public Parser (Lexer lexer, ParserFeedback fb); public Parser (URLConnection connection, ParserFeedback fb) throws ParserException; public Parser (String resource, ParserFeedback feedback) throws ParserException; public Parser (String resource) throws ParserException; public Parser (Lexer lexer); public Parser (URLConnection connection) throws ParserException; 和一个静态类 public static Parser createParser (String html, String charset); 对于大多数使用者来说，使用最多的是通过一个 URLConnection 或者一个保存有网页内容的字符串来初始化 Parser，或者使用静态函数来生成一个 Parser 对象。ParserFeedback 的代码很简单，是针对调试和跟踪分析过程的，一般不需要改变。而使用 Lexer 则是一个相对比较高级的话题，放到以后再讨论吧。 这里比较有趣的一点是，如果需要设置页面的编码方式的话，不使用 Lexer 就只有静态函数一个方法了。对于大多数中文页面来说，好像这 是应该用得比较多的一个方法。下面是初始化 Parser 的例子。 package com.baizeju.htmlparsertester; import java.io.BufferedReader; import java.io.InputStreamReader; import java.io.FileInputStream; import java.io.File; import .HttpURLConnection; import .URL; import org.htmlparser.visitors.TextExtractingVisitor; import org.htmlparser.Parser; /** * @author */ public class Main { private static String ENCODE = GBK; private static void message( String szMsg ) { try{System.out.println(new String(szMsg.getBytes(ENCODE), System.getProperty(file.encoding))); } catch(Exception e ){} } public static String openFile( String szFileName ) { try { BufferedReader bis = new BufferedReader(new InputStreamReader(new FileInputStream( new File(szFileName)), ENCODE) ); String szContent=; String szTemp; while ( (szTemp = bis.readLine()) != null) { szContent+=szTemp+\n; } bis.close(); return szContent; } catch( Exception e ) { return ; } } public static void main(String[] args) { String szContent = openFile( E:/My Sites/HTMLParserTester.html); try{ //Parser