java lucene 技术(9):HTMLParser与html页面解析
HTMLParser 是一个开源的Java库，它提供了接口，支持线性和嵌套HTML文本。在实际的项目中只需要将htmlparser.jar 导入classpath中，就可以使用HTMLParser提供的API了。
HTML有3种类型的节点：RemarkNode：html中的注释，TagNode：标签节点，TextNode：文本节点。HTMLParser将读取的二进制数据流，进行编码转换、词法分析等操作，生成树形层次结构的Node节点集合。下面的程序说明了一个范例html页面被HTMLParser解析的结果。
程序9_1:
Parser parser = new Parser ("E:/t.html");
parser.setEncoding("UTF-8");
NodeList list = parser.parse (null);
String str = list.toString();
System.out.println (str);
其中t.html源码如下：
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>北京龙卷风科技</title>
</head>
<body>
<p>
龙卷风科技_优秀的信息检索平台
网址：http://www.tornado.cn
</p>
</body>
</html>
打印结果如下：
Txt (0[0,0],1[0,1]): ?Tag (1[0,1],7[0,7]): html
Txt (7[0,7],9[1,0]): /n
Tag (9[1,0],15[1,6]): head
Txt (15[1,6],17[2,0]): /n
Tag (17[2,0],86[2,69]): meta http-equiv="Content-Type" content="text/html; ch...
Txt (86[2,69],88[3,0]): /n
Tag (88[3,0],95[3,7]): title
Txt (95[3,7],102[3,14]): 北京龙卷风科技
End (102[3,14],110[3,22]): /title
Txt (110[3,22],112[4,0]): /n
End (112[4,0],119[4,7]): /head
Txt (119[4,7],121[5,0]): /n
Tag (121[5,0],127[5,6]): body
Txt (127[5,6],129[6,0]): /n
Tag (129[6,0],132[6,3]): p
Txt (132[6,3],177[9,0]): /n龙卷风科技_优秀的信息检索平台/n网址：http://www.tornado.cn/n
End (177[9,0],181[9,4]): /p
Txt (181[9,4],183[10,0]): /n
End (183[10,0],190[10,7]): /body
Txt (190[10,7],192[11,0]): /n
End (192[11,0],199[11,7]): /html
Txt (199[11,7],201[12,0]): /n
下面创建一个测试类，实现从html页面中提取文本内容信息。
程序9-2
public class SimpleHtmlparser {
public static void main(String args[]) throws ParserException{
Parser parser;
String body = "";
parser = new Parser(args[0]);
parser.setEncoding("UTF-8");
HtmlPage htmlpage = new HtmlPage(parser);
parser.visitAllNodesWith(htmlpage);
body = htmlpage.getBody().toHtml();
Parser nodesParser;
NodeList nodeList = null;
nodesParser = Parser.createParser(body, "UTF-8");
NodeFilter textFilter = new NodeClassFilter(TextNode.class);
try
{
nodeList = nodesParser.parse(textFilter);
}
catch (ParserException e)
{
e.printStackTrace();
}
if (null == nodeList)
{
System.out.println(" ");
}
Node[] nodes = nodeList.toNodeArray();
StringBuffer result = new StringBuffer();
for (int i = 0; i < nodes.length; i++)
{
Node nextNode = (Node) nodes[i];
String content = "";
if (nextNode instanceof TextNode)
{
TextNode textnode = (TextNode) nextNode;
content = textnode.getText();
}
result.append(" ");
System.out.println(content);
}
}
}
经过测试，发现HTMLParser虽然可以较好的提取html页面文本信息，但对javascript标签的处理不好，另外对样式表<style>也不能较好的清除掉。