JAVA解析HTML

htmlparser

htmlparser是一个纯的java写的html（标准通用标记语言下的一个应用）解析的库，它不依赖于其它的java库文件，主要用于改造或

提取html。

无论你是想抓取网页数据还是改造html的内容，用了htmlparser绝对会忍不住称赞。

示例代码：

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.CssSelectorNodeFilter;
import org.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.filters.TagNameFilter;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

/**
* 封装的HtmlParser实现的解析器
*
* @author jianggujin
*
*/
public class HQHtmlParser
{
/** 解析器 **/
private Parser parser = null;
/** 重置 **/
private boolean needReset = false;

/**
* 构造方法
*
* @param resource
* @throws ParserException
*/
public HQHtmlParser(String resource) throws ParserException
{
parser = new Parser(resource);
}

/**
* 重置
*/
private void reset()
{
if (needReset)
{
parser.reset();
}
needReset = true;
}

/**
* 通过id获得元素
*
* @param id
* @return
* @throws ParserException
*/
public Node getElementById(String id) throws ParserException
{
reset();
NodeFilter filter = new HasAttributeFilter("id", id);
NodeList nodes = parser.extractAllNodesThatMatch(filter);
return nodes != null && nodes.size() > 0 ? nodes.elementAt(0) : null;
}

/**
* 通过一组id获得元素
*
* @param ids
* @return
* @throws ParserException
*/
public NodeList getElementByIds(String... ids) throws ParserException
{
reset();
NodeFilter[] predicates = new HasAttributeFilter[ids.length];
for (int i = 0; i < predicates.length; i++)
{
predicates[i] = new HasAttributeFilter("id", ids[i]);
}
NodeFilter filter = new OrFilter(predicates);
return parser.extractAllNodesThatMatch(filter);
}

/**
* 通过标签名称获得元素
*
* @param name
* @return
* @throws ParserException
*/
public NodeList getElementsByTagName(String name) throws ParserException
{
reset();
NodeFilter filter = new TagNameFilter(name);
return parser.extractAllNodesThatMatch(filter);
}

/**
* 通过样式获得元素
*
* @param name
* @return
* @throws ParserException
*/
public NodeList getElementsByCSS(String selector) throws ParserException
{
reset();
NodeFilter filter = new CssSelectorNodeFilter(selector);
return parser.extractAllNodesThatMatch(filter);
}

/**
* 通过过滤器获得元素
*
* @param filter
* @return
* @throws ParserException
*/
public NodeList getElementsByFilter(NodeFilter filter)
throws ParserException
{
reset();
return parser.extractAllNodesThatMatch(filter);
}
}

jsoup

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

示例代码：

import java.util.ArrayList;
import java.util.List;

import org.htmlparser.util.ParserException;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
* 封装的Jsoup实现的解析器
*
* @author jianggujin
*
*/
public class HQJSoup
{
private Document document = null;

/**
* 构造方法
*
* @param resource
* @throws ParserException
*/
public HQJSoup(String resource) throws ParserException
{
// Jsoup还有其他构造方法
document = Jsoup.parse(resource);
}

/**
* 通过id获得元素
*
* @param id
* @return
*/
public Element getElementById(String id)
{
return document.getElementById(id);
}

/**
* 通过一组id获得元素
*
* @param ids
* @return
*/
public List<Element> getElementByIds(String... ids) throws ParserException
{
List<Element> elements = new ArrayList<Element>(ids.length);
for (String id : ids)
{
elements.add(getElementById(id));
}
return elements;
}

/**
* 通过标签名称获得元素
*
* @param name
* @return
*/
public Elements getElementsByTagName(String name)
{
return document.getElementsByTag(name);
}
}