利用HtmlParse抽取网页正文内容

　　最近在做有关自然语言抽取方面的研究，接触到了很多相关的工具包，尤其是关于html中格式文本的抽取，虽然网上有很多相关高效算法，但我只想尽量简单快捷地将我需要的内容从html中抽取出来。因此，我只需要一个轻量级的工具，满足我的需求就行了。之前在网上搜索了一下，主要有Jtidy和HtmlParser这两个工具，都是java的。Jtidy的主页是：http://jtidy.sourceforge.net/。我最早尝试使用的就是Jtidt，由于相关文档较少，中文文档就更少了，我感觉很难上手。于是，我转向了HtmlParse，虽然同样有文档较少的问题，但我发现，这是一个比较容易上手的工具，用了HtmlParse很快就达到了我的需求。HtmlParse的主页地址是：http://htmlparser.sourceforge.net/，最后更新是2006年9月17日，虽然很老，但是应付一般的需求还是可以的。

在这里，我以我抽取某网站上GRE作文为例子，写了一点东西，希望能对正在使用HtmlParse的朋友有所帮助。

　　


　　这是抽取之前的页面，我抽取的便是它的正文部分。

　　下面是抽取后的截图：

　　

　　第一步 首先要实例化一个Parser

　　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;
//一个静态类
public static Parser createParser (String html, String charset);

　　其中用的较多的应该是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，显然用得最多的是最后两个构造函数。在我的例子中，由于我是把几十个网页一起打包下载了下来，因此，在此处我使用的是最后一种静态类的构造方法：

Parser parser = Parser.createParser(str, "utf-8");

　　其中str是页面内容的字符串，”utf-8”是编码方式。

　　第二步 观察你需要抽取的内容，建立过滤器

　　HtmlParse分析和抽取的html文档的原理是将整个html文档解析成一个DOM（Document Object Mode）树，通过遍历树上的所有节点，实现文本的抽取。因此，在使用了filter后，Parser返回的是满足filter条件的节点类（Node）实例的一个集合。在HtmlParse中Node是信息保存的数据类型基础。Node中包含了许多对树的操作的方法，对于具体问题可以去官网上看文档，此处就不再赘述了。

Filter就是对于结果进行过滤，取得需要的内容。HTMLParser在org.htmlparser.filters包之内一共定义了16个不同的Filter，也可以分为几类。

　　判断类Filter：

TagNameFilter;
HasAttributeFilter;
HasChildFilter;
HasParentFilter;
HasSiblingFilter;
IsEqualFilter;

　　逻辑运算Filter：

AndFilter;
NotFilter;
OrFilter;
XorFilter;

　　其他Filter：

NodeClassFilter;
StringFilter;
LinkStringFilter;
LinkRegexFilter;
RegexFilter;
CssSelectorNodeFilter;

所有的Filter类都实现了org.htmlparser.NodeFilter接口。这个接口只有一个主要函数：

boolean accept (Node node);

　　各个子类分别实现这个函数，用于判断输入的Node是否符合这个Filter的过滤条件，如果符合，返回true，否则返回false。

现在回到我们的例子中，以下是我的代码：

try{
　　　　Parser parser = Parser.createParser(str, "utf-8");
　　　　NodeFilter filter = new TagNameFilter("p");
　　　　NodeList nodes = parser.extractAllNodesThatMatch(filter);
　　　　//判断文件是否存在
　　　　File file = new File(outpaths);
　　　　if(file.exists())
　　　　{
　　　　　　file.delete();
　　　　}
　　　　if(nodes!=null)
　　　　{
　　　　　　for(int j = 0;j < nodes.size();j++)
　　　　　　{
　　　　　　　　if(j < 7)
　　　　　　　　{
　　　　　　　　　　continue;
　　　　　　　　}
　　　　　　　　//返回出一个p节点
　　　　　　　　Node TextNode = (Node)nodes.elementAt(j);
　　　　　　　　//取出Node的取得纯文本信息。
　　　　　　　　tmp =TextNode.toPlainTextString();
　　　　　　　　//此处使用了正则表达式，目的是去除取出的文本中的html的一些空白标记
　　　　　　　　//如 等
　　　　　　　　Pattern pattern =Pattern.compile(" {2,}");
　　　　　　　　Matcher m =pattern.matcher(tmp);
　　　　　　　　tmp=m.replaceAll("");
　　　　　　　　Pattern patterns = Pattern.compile(" ");
　　　　　　　　Matcher mm = patterns.matcher(tmp);
　　　　　　　　tmp = mm.replaceAll("");
　　　　　　　　WriteFile(tmp,outpaths);
　　　　　　　　WriteFile("\r\n",outpaths);
　　　　　　}
　　　　}
　　} catch( Exception e ) {
　　}

　　最后写到文件中的字符串tmp就是抽取后的内容了。
　　作者博客：http://www.flyaway-blog.com/%E5%88%A9%E7%94%A8htmlparse%E6%8A%BD%E5%8F%96%E7%BD%91%E9%A1%B5%E6%AD%A3%E6%96%87%E5%86%85%E5%AE%B9.html