资源描述：
《htmlparser使用指南》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、需要做一个垂直搜索引擎，比较了nekohtml和htmlparser的功能，尽管nekohtml在容错性、性能等方面的口碑好像比htmlparser好（htmlunit也用的是nekohtml），但感觉nekohtml的测试用例和文档都比htmlparser都少，而且htmlparser基本上能够满足垂直搜索引擎页面处理分析的需求，因此先研究一下htmlparser的使用，有空再研究nekohtml和mozillahtmlparser的使用。 html的功能还是官方说得最为清楚，引用 HTM
2、LParserisaJavalibraryusedtoparseHTMLineitheralinearornestedfashion.Primarilyusedfortransformationorextraction,itfeaturesfilters,visitors,customtagsandeasytouseJavaBeans.Itisafast,robustandwelltestedpackage. Thetwofundamentaluse-casesthatarehandledbyt
3、heparserareextractionandtransformation(thesynthesesuse-case,whereHTMLpagesarecreatedfromscratch,isbetterhandledbyothertoolsclosertothesourceofdata).Whilepriorversionsconcentratedondataextractionfromwebpages,Version1.4oftheHTMLParserhassubstantialimprov
4、ementsintheareaoftransformingwebpages,withsimplifiedtagcreationandediting,andverbatimtoHtml()methodoutput. 研究的重点还是extraction的使用，有空再研究transformation的使用。1、htmlparser对html页面处理的数据结构[color=blue]如图所示，HtmlParser采用了经典的Composite模式，通过RemarkNode、TextNode、TagNod
5、e、AbstractNode和Tag来描述HTML页面各元素。 *org.htmlparser.Node： Node接口定义了进行树形结构节点操作的各种典型操作方法，包括： 节点到html文本、text文本的方法：toPlainTextString、toHtml 典型树形结构遍历的方法：getParent、getChildren、getFirstChild、getLastChild、getPreviousSibling、getNextSibling、getText 获取节点对应的树
6、形结构结构的顶级节点Page对象方法：getPage 获取节点起始位置的方法：getStartPosition、getEndPosition Visitor方法遍历节点时候方法：accept(NodeVisitorvisitor) Filter方法：collectInto(NodeListlist,NodeFilterfilter) Object方法：toString、clone *org.htmlparser.nodes.AbstractNode： AbstractNode是
7、形成HTML树形结构抽象基类，实现了Node接口。 在htmlparser中，Node分成三类： RemarkNode：代表Html中的注释 TagNode：标签节点。 TextNode：文本节点 这三类节点都继承AbstractNode。 *org.htmlparser.nodes.TagNode： TagNode包含了对HTML处理的核心的各个类，是所有TAG的基类，其中有分为包含其他TAG的复合节点ComositeTag和不包含其他TAG的叶子节点Tag。 复合
8、节点CompositeTag： AppletTag,BodyTag,Bullet,BulletList,DefinitionList,DefinitionListBullet,Div,FormTag,FrameSetTag,HeadingTag, HeadTag,Html,LabelTag,LinkTag,ObjectTag,ParagraphTag,ScriptTag,SelectTag,Span,StyleTag,TableColumn
