`

htmlparser提取网页正文

    博客分类:
  • HTML
阅读更多
Java代码 复制代码
  1. mport org.htmlparser.Parser;    
  2. import org.htmlparser.beans.StringBean;    
  3. import org.htmlparser.filters.NodeClassFilter;    
  4. import org.htmlparser.parserapplications.StringExtractor;    
  5. import org.htmlparser.tags.BodyTag;    
  6. import org.htmlparser.util.NodeList;    
  7. import org.htmlparser.util.ParserException;    
  8.     
  9. public class GetContent {    
  10.        
  11.     public void getContentUsingStringBean(String url) {    
  12.         StringBean sb = new StringBean();    
  13.         sb.setLinks(true);              
  14.         sb.setCollapse(true);     
  15.         sb.setReplaceNonBreakingSpaces(true);// If true regular space    
  16.         sb.setURL("http://www.blogjava.net/51AOP/archive/2006/07/19/59064.html");    
  17.         System.out.println("The Content is :\n" + sb.getStrings());    
  18.     
  19.     }    
  20.        
  21.     public void getContentUsingStringExtractor(String url, boolean link) {    
  22.         StringExtractor se = new StringExtractor(url);    
  23.         String text = null;    
  24.         try {    
  25.             text = se.extractStrings(link);    
  26.             System.out.println("The content is :\n" + text);    
  27.         } catch (ParserException e) {    
  28.             e.printStackTrace();    
  29.         }    
  30.     }    
  31.     
  32.     public void getContentUsingParser(String url) {    
  33.         NodeList nl;    
  34.         try {    
  35.             Parser p = new Parser(url);    
  36.             nl = p.parse(new NodeClassFilter(BodyTag.class));    
  37.             BodyTag bt = (BodyTag) nl.elementAt(0);    
  38.             System.out.println(bt.toPlainTextString());    
  39.             } catch (ParserException e) {    
  40.             e.printStackTrace();    
  41.         }    
  42.     }    
  43.        
  44.     public static void main(String[] args) {   
  45.         GetContent g = new GetContent();   
  46. //      g.getContentUsingStringBean("");   
  47. //      g.getContentUsingParser("http://www.blogjava.net/51AOP/archive/2006/07/19/59064.html");   
  48.         g.getContentUsingStringExtractor("http://www.sina.com.cn/"false);   
  49.     }  
分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics