htmlparser抽取web网页正文信息

《htmlparser抽取web网页正文信息》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、提取网页主题相关内容一般在浏览Web上的网页时会发现两部分内容：一部分是网页的主题信息，另一部分则是与主题内容无关的导航条、广告信息、版权信息等内容，我们称之为“噪音”内容。通过提取主题信息可以减少一半浏览时间，提高用户获取信息的速度，从而增强Web的可用性。那么如何准确、有效的获取Web网页的主题信息呢？下面给出了一种解决方案。一、解析htmlHTMLParser是一个对现有的HTML进行分析的快速实时的解析器,首先从(http://HTMLParser.sourceforge.net/)下载htmlparser1_620050925.zip解压缩得htmlpars

2、er.jar,将htmlparser.jar添加到classpath中,并在程序中引入相应的HTMLParser包。类Parser是HTMLParser的入口,将HTML文本信息传给它,或者直接传递一个URL地址,如:Parserparser=newParser(“http://www.yahoo.com.cn”);初始化一个Parser实例parser后,紧接着就是对所传入的HTML内容进行解析,方法parser.extractAllNodesThatAre(XXXTag.class)将HTML内容中存在的所有的标签XXXTag给解析出来放到一个列表list中去,几

3、乎HTML的标签都有一个对应的类,比如LinkTag、ImageTag、FormTag、TableTag等等,这些标签类都在org.htmlparser.tags包中。根据要处理不同的标签传入不同的类,这种做法可以很方便地处理其他类型的标签。返回的列表中每个元素都是传入类的一个实例,通过这个实例可以访问到当前这个标签的起始位置、结束标签的位置以及包含在标签中的文本信息,同时也可以访问其父标签以及所有的子标签等等,同时可以通过toHtml方法来对标签中包含的HTML信息进行清洗,HTMLParser会自动把一些没有关闭的标签加上,这样所生成的字符串中就包含着完整的格式控

4、制信息,在页面上显示这样的信息也不会破坏版面布局,达到了预期的效果。例如：有如下不规范的html文件(有未关闭标签)通过节点的toHtml（）方法补全标签补全了没有关闭的标签本系统采用先读取html文件并将其转换为字符串htmlString:StringhtmlString=readHtmlFile(file);然后将其作为Parser对象的构造参数:Parserparser=Parser.createParser(htmlString,”gb2312”);然后结合过滤器过滤出需要的标签节点。一、过滤器一般主题信息包含在下列标签中：