htmlcleaner使用方法及xpath语法初探

在编程的时候或者写网络爬虫的时候，经常需要对html进行解析，抽取其中有用的数据。一款好的工具是特别有用的，能提供很多的帮助，网上有很多这样的工具，比如：htmlcleaner、htmlparser

经使用比较：感觉 htmlcleaner 比 htmlparser 好用，尤其是htmlcleaner 的 xpath特好用。

下面针对htmlcleaner进行举例说明，需求为：取出title，name=”my_href” 的链接，div的class=”d_1″下的所有li内容。

一、HtmlCleaner使用：

1、HtmlCleaner

HtmlCleaner是一个开源的Java语言的Html文档解析器。HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。然而，用户可以提供自定义tag和规则组来进行过滤和匹配。

主页地址：http://htmlcleaner.sourceforge.net/

2、基本示例，在wikipedia中抓取机场信息

html-clean-demo.html

				?

									html-clean-demo.html

									<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd ">

									<html xmlns = "http://www.w3.org/1999/xhtml " xml:lang = "zh-CN" dir = "ltr">

									<head>

									    <meta http-equiv = "Content-Type" content = "text/html; charset=GBK" /> 

									    <meta http-equiv = "Content-Language" content = "zh-CN" /> 

									    <title>html clean demo </title>

									</head>

									<body>

									<div class = "d_1">

									    <ul>

									        <li>bar </li>

									        <li>foo </li>

									        <li>gzz </li>

									    </ul>

									</div>

									<div>

									    <ul>

									        <li><a name = "my_href" href = "1.html">text-1 </a></li>

									        <li><a name = "my_href" href = "2.html">text-2 </a></li>

									        <li><a name = "my_href" href = "3.html">text-3 </a></li>

									        <li><a name = "my_href" href = "4.html">text-4 </a></li>

									    </ul>

									</div>

									</body>

									</html>

HtmlCleanerDemo.java

				?

									package com.chenlb;

									import java.io.File;

									import org.htmlcleaner.HtmlCleaner;

									import org.htmlcleaner.TagNode;

									/**

									 * htmlcleaner 使用示例.

									 *

									 */

									public class HtmlCleanerDemo {

									    public static void main(String[] args) throws Exception {

									        HtmlCleaner cleaner = new HtmlCleaner();

									        TagNode node = cleaner.clean(new File("html/html-clean-demo.html"), "GBK");

									        //按tag取.

									        Object[] ns = node.getElementsByName("title", true);    //标题

									        if(ns.length > 0) {

									            System.out.println("title="+((TagNode)ns[0]).getText());

									        }

									        System.out.println("ul/li:");

									        //按xpath取

									        ns = node.evaluateXPath("//div[@class='d_1']//li");

									        for(Object on : ns) {

									            TagNode n = (TagNode) on;

									            System.out.println(" text="+n.getText());

									        }

									        System.out.println("a:");

									        //按属性值取

									        ns = node.getElementsByAttValue("name", "my_href", true, true);

									        for(Object on : ns) {

									            TagNode n = (TagNode) on;

									            System.out.println(" href="+n.getAttributeByName("href")+", text="+n.getText());

									        }

									    }

									}

cleaner.clean()中的参数，可以是文件，可以是url，可以是字符串内容。比较常用的应该是evaluateXPath、 getElementsByAttValue、getElementsByName方法了。另外说明下，htmlcleaner 对不规范的html兼容性比较好。

在wikipedia中抓取机场信息

				?

									import java.io.UnsupportedEncodingException;

									import org.htmlcleaner.HtmlCleaner;

									import org.htmlcleaner.TagNode;

									import org.htmlcleaner.XPatherException;

									import org.slf4j.Logger;

									import org.slf4j.LoggerFactory;

									//import com.moore.index.BabyStory;

									import com.moore.util.HttpClientUtil;

									/**

									 * 用途：TODO

									 * 

									 * @author bbdtek

									 */

									public class ParserAirport {

									    private static Logger log = LoggerFactory.getLogger(ParserAirport.class);

									    /**

									     * @param args

									     * @throws UnsupportedEncodingException

									     * @throws XPatherException

									     */

									    public static void main(String[] args) throws UnsupportedEncodingException,

									            XPatherException {

									        String url = "http://zh.wikipedia.org/wiki/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E6%9C%BA%E5%9C%BA%E5%88%97%E8%A1%A8";

									        String contents = HttpClientUtil.getUtil().getCon(url);

									        HtmlCleaner hc = new HtmlCleaner();

									        TagNode tn = hc.clean(contents);

									        String xpath = "//div[@class='mw-content-ltr']//table[@class='wikitable + sortable']//tbody//tr[@align='right']";

									        Object[] objarr = null;

									        objarr = tn.evaluateXPath(xpath);

									        if (objarr != null && objarr.length > 0) {

									            for (Object obj : objarr) {

									                TagNode tntr = (TagNode) obj;

									                String xptr = "//td[@align='left']//a";

									                Object[] objarrtr = null;

									                objarrtr = tntr.evaluateXPath(xptr);

									                if (objarrtr != null && objarrtr.length > 0) {

									                    for (Object obja : objarrtr) {

									                        TagNode tna = (TagNode) obja;

									                        String str = tna.getText().toString();

									                        log.info(str);

									                    }

									                }

									            }

									        }

									    }

									}

二、XPath初探

1、XPath简介：

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。

2、XPath节点选取

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

一些常用表达式

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。