htmlparser 精确提取的一些代码

一、

ConnectionManager manager = Page.getConnectionManager();
		Parser parser = new Parser(manager
				.openConnection("http://www.verycd.com/topics/2760827/"));
		parser.setEncoding("GBK");
		
		//提取a标签里的img图片链接
//		NodeFilter filter = new AndFilter(new TagNameFilter("a"),
//				new HasChildFilter(new TagNameFilter("img")));
//		NodeFilter filter = new TagNameFilter("title");
		
		//提取input里面的东西
		NodeFilter filter = new AndFilter(new TagNameFilter("input"),
				new HasAttributeFilter("class","forminput"));
		
//		NodeList nodeList = parser.parse(filter);
		
		NodeList nodeList = parser.extractAllNodesThatMatch(filter);
		
		NodeIterator it = nodeList.elements();
		while (it.hasMoreNodes()) {
			Node node = it.nextNode();
			System.out.println(node.toHtml());
		}
	}

二、

// 获取一个网页上所有的链接和图片链接
　　public static void extracLinks(String url) {
　　　　try {
　　　　　　Parser parser = new Parser(url);
　　　　　　parser.setEncoding("gb2312");
//过滤 <frame> 标签的 filter，用来提取 frame 标签里的 src 属性所、表示的链接
　　　　　　NodeFilter frameFilter = new NodeFilter() {
　　　　　　　　public boolean accept(Node node) {
　　　　　　　　　　if (node.getText().startsWith("frame src=")) {
　　　　　　　　　　　　return true;
　　　　　　　　　　} else {
　　　　　　　　　　　　return false;
　　　　　　　　　　}
　　　　　　　　}
　　　　　　};
//OrFilter 来设置过滤 <a> 标签，<img> 标签和 <frame> 标签，三个标签是 or 的关系
　　 OrFilte rorFilter = new OrFilter(new NodeClassFilter(LinkTag.class), new
NodeClassFilter(ImageTag.class));
　　 OrFilter linkFilter = new OrFilter(orFilter, frameFilter);
　　//得到所有经过过滤的标签
　　NodeList list = parser.extractAllNodesThatMatch(linkFilter);
　　for (int i = 0; i < list.size(); i++) {
　　　　Node tag = list.elementAt(i);
　　　　if (tag instanceof LinkTag)//<a> 标签
　　　　{
　　　　　　LinkTag link = (LinkTag) tag;
　　　　　　String linkUrl = link.getLink();//url
　　　　　　String text = link.getLinkText();//链接文字
　　　　　　System.out.println(linkUrl + "**********" + text);
　　　　}
　　　　else if (tag instanceof ImageTag)//<img> 标签
　　　　{
　　　　　　ImageTag image = (ImageTag) list.elementAt(i);
　　　　　　System.out.print(image.getImageURL() + "********");//图片地址
　　　　　　System.out.println(image.getText());//图片文字
　　　　}
　　　　else//<frame> 标签
　　　　{
//提取 frame 里 src 属性的链接如 <frame src="test.html"/>
　　　　　　String frame = tag.getText();
　　　　　　int start = frame.indexOf("src=");
　　　　　　frame = frame.substring(start);
　　　　　　int end = frame.indexOf(" ");
　　　　　　if (end == -1)
　　　　　　　　end = frame.indexOf(">");
　　　　　　frame = frame.substring(5, end - 1);
　　　　　　System.out.println(frame);
　　　　}
　　}
} catch (ParserException e) {
　　　　　　e.printStackTrace();
}
}

三、

	public void test2() throws ParserException{
		ConnectionManager manager = Page.getConnectionManager();
		Parser parser = new Parser(manager.openConnection("http://www.verycd.com/sto/datum/computer/page1"));
		//提取A标签，他有一个父标签为H3
		NodeFilter filter = new AndFilter(new TagNameFilter("a"),new HasParentFilter(new TagNameFilter("h3")));
		
		NodeList nodes = parser.parse(filter);
		NodeIterator it = nodes.elements();
		while (it.hasMoreNodes()) {
			Node node = it.nextNode(); //可以在此用debug查看node节点是什么类型的，然后在转换成具体类型来提取想要的数据！
			if (node instanceof LinkTag) {	//转换
				LinkTag linkNode = (LinkTag) node;
				System.out.println("http://www.verycd.com"+linkNode.getAttribute("href"));
			}
		}
		
	}

四、

	ConnectionManager manager = Page.getConnectionManager();
		Parser parser = new Parser(manager.openConnection("http://huodong.sodao.com/39/info#"));
		
		NodeFilter filter = new StringFilter("减价幅度");  //用了StringFilter，可以立即提取出所在的text节点
		
		NodeList nodes = parser.parse(filter);
		NodeIterator it = nodes.elements();
		while (it.hasMoreNodes()) {
			Node node = it.nextNode(); //可以在此用debug查看node节点是什么类型的，然后在转换成具体类型来提取想要的数据！
			
			System.out.println(node.getParent().toHtml());	//通过indexof方法提取想要的text

五、

/**
 * 用htmlparser提取图片的几种方法
 */
public class Test {
	
	static Parser parser = new Parser();
	
	public static void test1(String url) throws ParserException{
		
		Parser parser = new Parser();
		parser.setURL(url);
		parser.setEncoding("GBK");
		
		//第一种方法
		NodeFilter imageFilter = new NodeFilter() {
			   public boolean accept(Node node) {
			    return (node instanceof ImageTag);
			   }  
		};
		
		NodeList images = parser.extractAllNodesThatMatch(imageFilter);
		
//		第二种方法
//		NodeFilter imageFilter = new TagNameFilter("img");
		//第三种方法
//		NodeFilter imageFilter = new NodeClassFilter(ImageTag.class);
//		NodeList images = parser.parse(imageFilter);
		
		System.out.println("Size: " + images.size());
		
		for(NodeIterator it = images.elements(); it.hasMoreNodes();){
			ImageTag node = (ImageTag) it.nextNode();
			
			System.out.println(node.getAttribute("src"));
		}
		
		
	}
	
	public static void test2(String url) throws ParserException {
		Parser parser = new Parser();
		parser.setURL(url);
		parser.setEncoding("GBK");
		
		NodeFilter divFilter = new AndFilter(new TagNameFilter("div"),new HasAttributeFilter("id","text_content"));
		NodeList divs = parser.parse(divFilter);
		System.out.println(removeTag(divs.elementAt(0).toHtml()));
	}
	


	public static String removeTag(String content) {

		if (null != content && !"".equals(content.trim())) {
		
			while (content.indexOf("<") >=0 && content.indexOf(">") >= 0) {
				int i = content.indexOf("<");
				int j = content.indexOf(">");
				if (i < j) {
					String contetn1 = content.substring(0, i);
					String content2 = content.substring(j + 1,
							content.length() );
					content = contetn1 + content2;
				} 
			}
			
		}
		return content;
	}
	
	public static void main(String[] args) throws ParserException {
		String url = "http://news.dayoo.com/china/200908/11/53868_10386441.htm";
		Test.test2(url);
	}

}

=====================================================================
/** *//**
     * 分别读纯文本和链接.
     * @param result 网页的内容
     * @throws Exception
     */
    public static void readTextAndLinkAndTitle(String result) throws Exception {
        Parser parser;
        NodeList nodelist;
        parser = Parser.createParser(result, "utf8");
        NodeFilter textFilter = new NodeClassFilter(TextNode.class);
        NodeFilter linkFilter = new NodeClassFilter(LinkTag.class);
        NodeFilter titleFilter = new NodeClassFilter(TitleTag.class);
        OrFilter lastFilter = new OrFilter();
        lastFilter.setPredicates(new NodeFilter[] { textFilter, linkFilter, titleFilter });
        nodelist = parser.parse(lastFilter);
        Node[] nodes = nodelist.toNodeArray();
        String line = "";
       
        for (int i = 0; i < nodes.length; i++) {
            Node node = nodes[i];
            if (node instanceof TextNode) {
                TextNode textnode = (TextNode) node;
                line = textnode.getText();
            } else if (node instanceof LinkTag) {
                LinkTag link = (LinkTag) node;
                line = link.getLink();
            } else if (node instanceof TitleTag) {
                TitleTag titlenode = (TitleTag) node;
                line = titlenode.getTitle();
            }
           
            if (isTrimEmpty(line))
                continue;
            System.out.println(line);
        }
    }

六、

/** 
     * @author rrong_m 
     * @throws ParserException 
     */ 
    public static void getWords(String url) throws ParserException { 
        Parser parser = new Parser(url); 
        NodeFilter filter = new HasAttributeFilter("id", "word_more_con"); 
        NodeList nodelist = parser.extractAllNodesThatMatch(filter); 
        NodeFilter filter1 = new NodeClassFilter(LinkTag.class); 
        nodelist = nodelist.extractAllNodesThatMatch(filter1, true); 
        for (int i = 0; i < nodelist.size(); i++) { 
            LinkTag link = (LinkTag) nodelist.elementAt(i); 
            System.out.println(link.getLinkText() + ":" + link.getLink()); 
        } 
    } 

七、处理html里面的table

public List getChangyu(String id) throws HttpException, IOException, ParserException 
    { 
        HttpClient hc=new HttpClient(); 
        hc.getParams().setContentCharset("gb2312"); 
        PostMethod pm=new PostMethod("http://61.145.121.47/custSearch.jsp"); 
        pm.setParameter("bnos","111111111111"); 
        hc.executeMethod(pm); 
        String temp=pm.getResponseBodyAsString(50000);//设置获取html代码的数量，否则会报错，过大 
        //System.out.print(temp); 
        Parser parser=new Parser(temp); 
        NodeFilter filter=new HasAttributeFilter("cellpadding","-1"); 
        NodeList nodelist=parser.extractAllNodesThatMatch(filter); 
         
        if(nodelist.size()>0) 
        { 
            NodeFilter filter1=new NodeClassFilter(TableTag.class); 
            nodelist=nodelist.extractAllNodesThatMatch(filter1,true); 
            if(nodelist.size()>0) 
            { 
                TableTag table=(TableTag) nodelist.elementAt(0); 
                TableRow [] rows=table.getRows(); 
                if(rows.length>1) 
                { 
                    for(int i=2;i<rows.length;i++) 
                    { 
                        TableRow row=rows[i]; 
                        TableColumn td=row.getColumns()[0]; 
                        TableColumn td1=row.getColumns()[1]; 
                        System.out.println(td.toPlainTextString()+" "+td1.toPlainTextString()); 
                    } 
                } 
            } 
        } 
        else 
        { 
             
        } 
        return null; 
    } 

八、查询IP

    public static void getIp(String ip) throws ParserException 
    { 
        String url="http://www.ip138.com/ips.asp?ip="+ip; 
        Parser parser=new Parser(url); 
        parser.setEncoding("gb2312");//设置编码否则得到的是乱码51jsp.cn 
        NodeList nodelist=null; 
        NodeFilter filter=new HasAttributeFilter("class","ul1");//定义过滤51jsp.cn 
        nodelist=parser.extractAllNodesThatMatch(filter); 
        if(nodelist.size()>0) 
        { 
            System.out.println("您查询的IP为:"+ip); 
            System.out.println(nodelist.elementAt(0).toPlainTextString()); 
        } 
         
    } 
    public static void main(String[] args) throws ParserException { 
        getIp("125.33.192.180"); 
    } 
 
}

九、提取html里面的p标签里面的内容

public static ArrayList <String> getParagraphList( String content){
		
		ArrayList <String> paraList=new ArrayList <String>();
		
		Parser myParser=new Parser();
        NodeList nodeList = null;
     
        NodeFilter paraFilter = new NodeClassFilter(ParagraphTag.class);
        try {
        	
        	myParser.setInputHTML(content);
            nodeList = myParser.parse(paraFilter);
            for (int i = 0; i <= nodeList.size(); i++) {
                
             ParagraphTag tag = (ParagraphTag) nodeList.elementAt(i);
             
             if(tag!=null){
	          //   System.out.println(tag.getStringText());
	           //  System.out.println("***********************************");
	             paraList.add(tag.getStringText());
             }    

            } 

        } catch (ParserException e) {
            e.printStackTrace();
        }
	
		return paraList;
				
	}