html分析器——jericho-html-3.3分解table
原部分来自Internet上的其他博客，只是因为很长一段时间。忘了谁是参考，这里说声抱歉。。
先贴一些html页：
<html>
<head>
<meta http-equiv="content-type" content="text/html;charset=GBK">
<title>HTML Parser</title>
<meta name="generator" content="Namo WebEditor">
</head>
<body>
<table width=620 border=0 cellpadding=1 cellspacing=0 bgcolor=#0066cc>
<tr>
<td width=100%>
<table width=100% border=0 cellpadding=4 cellspacing=0 bgcolor=#D3E5FB>
<tr bgcolor=#D3E5FB>
<td width=20%><font size="2" face="Arial,Verdana"><b>想学习
Name</b></font><br>
</td>
<td width=13%><font size="2" face="Arial,Verdana"><b>Result</b></font><br>
</td>
<td width=8%><font size="2" face="Arial,Verdana"><b>Time</b></font><br>
</td>
<td width=59%><font size="2" face="Arial,Verdana"><b>Synopsis</b></font><br>
</td>
</tr>
<tr bgcolor=#eeeeee>
<td width=20%><font size="1" face="Arial,Verdana"><b>9</b>
想学习</font><br>
</td>
<td width=13%><font size="1" face="Arial,Verdana"><font
color=#ff0033>+FAIL</font> <a
href="v4_wireless_802.1x_full/cdrouter_dhcp_20.txt">想学习</a></font><br>
</td>
<td width=8%><font size="1" face="Arial,Verdana">12:31</font><br>
</td>
<td width=59%><font size="1" face="Arial,Verdana">想学习</font><br>
</td>
</tr>
<tr bgcolor=#ffffff>
<td width=20%><font size="1" face="Arial,Verdana"><b>1</b>
cdrouter_basic_1</font><br>
</td>
<td width=13%><font size="1" face="Arial,Verdana">Pass <a
href="v4_wireless_802.1x_full/cdrouter_basic_1.txt">想学习</a></font><br>
</td>
<td width=8%><font size="1" face="Arial,Verdana">00:00</font><br>
</td>
<td width=59%><font size="1" face="Arial,Verdana">想学习</font><br>
</td>
</tr>
</table>
</td>
</tr>
</table>
</body>
</html>
对于这个页面来说我想取出全部的td里面的文字内容，该怎么办呢。假设用正則表達式，我还真是难以写出正确的，来解析出我所要的结果。
在网上搜索了一下jericho-html-3.3这个插件，用来解析table。的确非常方便。
代码例如以下：
package com.xxx.hbuassys.test; import java.net.URL;
import java.util.Iterator;
import java.util.List; import net.htmlparser.jericho.Element;
import net.htmlparser.jericho.HTMLElementName;
import net.htmlparser.jericho.Segment;
import net.htmlparser.jericho.Source; public class HtmlParser
{
public static void main(String[] args) throws Exception
{
String sourceUrlString="test.html"; if(sourceUrlString.indexOf(':') == -1)
sourceUrlString ="file:"+sourceUrlString;
Source source=new Source(new URL(sourceUrlString));
List Elements_TABLE=source.getAllElements(HTMLElementName.TABLE);
Elements_TABLE.remove(0);//因为table相互嵌套。我们须要的是第二个，所以删掉第一个
Iterator it_TABLE = Elements_TABLE.iterator();
while(it_TABLE.hasNext())
{
Element Element_TABLE = (Element)it_TABLE.next();
// System.out.println("**"+Element_TABLE.toString()+"\n**");
Segment getContent_TABLE = (Segment)Element_TABLE.getContent();
List Elements_TR = getContent_TABLE.getAllElements(HTMLElementName.TR);
Iterator it_TR = Elements_TR.iterator();
while(it_TR.hasNext())
{
Element Element_TR = (Element)it_TR.next();
Segment getContent_TR = (Segment)Element_TR.getContent();
List Elements_FONT = getContent_TR.getAllElements(HTMLElementName.FONT);
Iterator it_FONT = Elements_FONT.iterator();
int i = 1;
while(it_FONT.hasNext())
{
Element Element_FONT = (Element)it_FONT.next();
Segment getContent_FONT = (Segment)Element_FONT.getContent();
String a1 = getContent_FONT.toString();
System.out.println(i + " = " + Element_FONT.getContent().getTextExtractor().toString());
i++;
}
System.out.println();
}
}
}
}
结果：
1 = 想学习 Name
2 = Result
3 = Time
4 = Synopsis
1 = 9 想学习
2 = +FAIL 想学习
3 = +FAIL
4 = 12:31
5 = 想学习
1 = 1 cdrouter_basic_1
2 = Pass 想学习
3 = 00:00
4 = 想学习
大致的思路就是，先取出全部的table标签，然后对须要的table进行解析，取出里面的tr,在从tr里面取出td这样就能够得到我们须要的内容了。
假设仅仅讲到这，那么就跟网上其它人讲的没有什么差别了。
由于项目的须要，使用此插件发现了一个问题：
假设html页面的编码是UTF-8的格式，那么解析出来的内容就会是乱码。假设直接对这些乱码编码。採用new String(str.getBytes(),"GBK");等之类的操作都不能解决这个问题。本人亲自測试过。
比如html页面变为：
<html>
<head>
<meta http-equiv="content-type" content="text/html;charset=UTF-8">
<title>HTML Parser</title>
<meta name="generator" content="Namo WebEditor">
</head>
<body>
<table width=620 border=0 cellpadding=1 cellspacing=0 bgcolor=#0066cc>
<tr>
<td width=100%>
<table width=100% border=0 cellpadding=4 cellspacing=0 bgcolor=#D3E5FB>
<tr bgcolor=#D3E5FB>
<td width=20%><font size="2" face="Arial,Verdana"><b>想学习
Name</b></font><br>
</td>
<td width=13%><font size="2" face="Arial,Verdana"><b>Result</b></font><br>
</td>
<td width=8%><font size="2" face="Arial,Verdana"><b>Time</b></font><br>
</td>
<td width=59%><font size="2" face="Arial,Verdana"><b>Synopsis</b></font><br>
</td>
</tr>
<tr bgcolor=#eeeeee>
<td width=20%><font size="1" face="Arial,Verdana"><b>9</b>
想学习</font><br>
</td>
<td width=13%><font size="1" face="Arial,Verdana"><font
color=#ff0033>+FAIL</font> <a
href="v4_wireless_802.1x_full/cdrouter_dhcp_20.txt">想学习</a></font><br>
</td>
<td width=8%><font size="1" face="Arial,Verdana">12:31</font><br>
</td>
<td width=59%><font size="1" face="Arial,Verdana">想学习</font><br>
</td>
</tr>
<tr bgcolor=#ffffff>
<td width=20%><font size="1" face="Arial,Verdana"><b>1</b>
cdrouter_basic_1</font><br>
</td>
<td width=13%><font size="1" face="Arial,Verdana">Pass <a
href="v4_wireless_802.1x_full/cdrouter_basic_1.txt">想学习</a></font><br>
</td>
<td width=8%><font size="1" face="Arial,Verdana">00:00</font><br>
</td>
<td width=59%><font size="1" face="Arial,Verdana">想学习</font><br>
</td>
</tr>
</table>
</td>
</tr>
</table>
</body>
</html>
得到的结果是：
1 = ???
? Name
2 = Result
3 = Time
4 = Synopsis
1 = 9 ???
?
2 = +FAIL ?
???
3 = +FAIL
4 = 12:31
5 = ?
?
??
1 = 1 cdrouter_basic_1
2 = Pass ??
??
3 = 00:00
4 = ?
?
??
採用的方法是：改变<meta http-equiv="content-type" content="text/html;charset=UTF-8">变为：<meta http-equiv="content-type" content="text/html;charset=GBK">
具体情况，參考代码例如以下：
package com.xxx.hbuassys.test; import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.Iterator;
import java.util.List; import net.htmlparser.jericho.Element;
import net.htmlparser.jericho.HTMLElementName;
import net.htmlparser.jericho.Segment;
import net.htmlparser.jericho.Source; public class HtmlParser
{
public static void main(String[] args) throws Exception
{
BufferedReader reader=new BufferedReader(new InputStreamReader(new FileInputStream(new File("test.html"))));
// BufferedReader reader=new BufferedReader(new FileReader(new File("test.html")));
StringBuilder sbf=new StringBuilder();
String str=null;
while((str=reader.readLine())!=null){
sbf.append(str).append("\n");
}
//解决中文乱码的方法
String html=sbf.toString().replace("<meta http-equiv=\"content-type\" content=\"text/html;charset=UTF-8\">", "<meta http-equiv=\"content-type\" content=\"text/html;charset=GBK\">");
// System.out.println(html);
Source source=new Source(html);
List Elements_TABLE=source.getAllElements(HTMLElementName.TABLE);
Elements_TABLE.remove(0);//因为table相互嵌套，我们须要的是第二个，所以删掉第一个
Iterator it_TABLE = Elements_TABLE.iterator();
while(it_TABLE.hasNext())
{
Element Element_TABLE = (Element)it_TABLE.next();
// System.out.println("**"+Element_TABLE.toString()+"\n**");
Segment getContent_TABLE = (Segment)Element_TABLE.getContent();
List Elements_TR = getContent_TABLE.getAllElements(HTMLElementName.TR);
Iterator it_TR = Elements_TR.iterator();
while(it_TR.hasNext())
{
Element Element_TR = (Element)it_TR.next();
Segment getContent_TR = (Segment)Element_TR.getContent();
List Elements_FONT = getContent_TR.getAllElements(HTMLElementName.FONT);
Iterator it_FONT = Elements_FONT.iterator();
int i = 1;
while(it_FONT.hasNext())
{
Element Element_FONT = (Element)it_FONT.next();
Segment getContent_FONT = (Segment)Element_FONT.getContent();
String a1 = getContent_FONT.toString();
System.out.println(i + " = " + Element_FONT.getContent().getTextExtractor().toString());
i++;
}
System.out.println();
}
}
}
}
结果例如以下：
1 = 想学习 Name
2 = Result
3 = Time
4 = Synopsis
1 = 9 想学习
2 = +FAIL 想学习
3 = +FAIL
4 = 12:31
5 = 想学习
1 = 1 cdrouter_basic_1
2 = Pass 想学习
3 = 00:00
4 = 想学习
版权声明：本文博主原创文章，博客，未经同意不得转载。
html分析器——jericho-html-3.3分解table的更多相关文章
- 1.7.4 Query Syntax and Parsing
1. 查询语法和解析 这部分主要说明了如何指定被使用的查询解析器.同样描述了主查询解析器的支持的语法和功能.同时还描述了在特定环境下使用的其他查询解析器.这里有一些普通查询解析器都能使用的参数,将会在 ...
- Solr记录-solr基础内容
Solr架构(体系结构) 在本章中,我们将讨论Apache Solr的架构. 下图显示了Apache Solr的体系结构的框图. Solr架构 - 构件块以下是Apache Solr的主要构建块(组件 ...
- SQL Server中如何实现遍历表的记录
SQL Server遍历表一般都要用到游标,SQL Server中可以很容易的用游标实现循环,实现SQL Server遍历表中记录. 但游标在实际的开发中都不推荐使用. 我们知道还可以借助临时表或表变 ...
- 全文索引--自己定义chinese_lexer词典
本文来具体解释一下怎样自己定义chinese_lexer此法分析器的词典 初始化数据 create table test2 (str1 varchar2(2000),str2varchar2(2000 ...
- 《收获，不止SQL优化》读书笔记
整体性能分析 AWR.ASH.ADDM.AWRDD 整体分析调优工具 AWR:关注数据库的整体性能的报告: ASH:数据库中的等待事件与哪些SQL具体对应的报告: ADDM:oracle给出的一些建议 ...
- solr介绍
solr架构图: 以下是Apache Solr的主要构建块(组件) 请求处理程序 - 发送到Apache Solr的请求由这些请求处理程序处理.请求可以是查询请求或索引更新请求.根据这些请示的要求来选 ...
- 分解数据表(将一个datatable按数据量分隔成多个table)
/// <summary> /// 分解数据表 /// </summary> /// <param name="originalTab">需要分 ...
- 03.LoT.UI 前后台通用框架分解系列之——多样的表格
LOT.UI分解系列汇总:http://www.cnblogs.com/dunitian/p/4822808.html#lotui LoT.UI开源地址如下:https://github.com/du ...
- SQLite3源程序分析之分析器的生成
1.概述 Lemon是一个LALR(1)文法分析器生成工具,与bison和yacc类似,是一个可以独立于SQLite使用的开源的分析器生成工具.而且它使用与yacc(bison)不同的语法规则,可以减 ...
随机推荐
- QT Programming 1
1.控制台输出 helloworld #include<QtCore/QCoreApplication> #include<QDebug> int main(int argc, ...
- 【ECSHOP插件】商品颜色尺寸仿淘宝选择功能免费发布
先放效果图,如此实用的功能是不是迫不及待的要添加到自己的网店中了呢 牵涉到的修改文件(default模板为例) /themes/default/style.css /themes/default/ ...
- hdu 5073 Galaxy（2014acm鞍山亚洲分部 C）
主题链接:http://acm.hdu.edu.cn/showproblem.php? pid=5073 Galaxy Time Limit: 2000/1000 MS (Java/Others) ...
- hdu 4444 Walk （离散化+建图+bfs+三维判重 好题）
Walk Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 65536/65536 K (Java/Others) Total Submi ...
- php  性能优化
基础优化 1 不要随便复制变量. 有时候为了使 PHP 代码更加整洁,一些 PHP 新手(包含我)会把提前定义好的变量拷贝到一个名字更简短的变量中,事实上这样做的结果是添加了一倍的内存消耗,仅仅会使程 ...
- 【HTML+CSS】(1)基本语法
HTML基金会 <em>他强调标签,<strong>加粗标签 <q>短文本引用.<blockquote>长文本引用,这两个标签会让文字带双引號. 空 ...
- poj 1959 Darts 同意反复组合
水题.直接贴代码. //poj 1959 //sep9 #include <iostream> using namespace std; int n; int f[128]; int so ...
- android下获取无线wif信号、ssid、MAC等操作类
一个android下获取无线wif信号.ssid.MAC等操作的类. WifiAdmin.java package com.afu; import java.util.List; import and ...
- PHP扩展memcache模
研究yii当配套部件,发现自己PHP甚至不支持memcache该模块,于是,我就展开位. 本机环境:win8.1 开发环境:php 5.5 第一步:先把所需的文件包下载全然,我已经打包好,这里能够下 ...
- Pagination jquery ajax 分页参考资料
http://www.zhangxinxu.com/wordpress/2010/01/jquery-pagination-ajax%E5%88%86%E9%A1%B5%E6%8F%92%E4%BB% ...