htmlparser使用指南.doc

需要做一个垂直有哪些信誉好的足球投注网站引擎，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有哪些信誉好的足球投注网站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mozilla html parser的使用。 ??? html的功能还是官方说得最为清楚， 引用 ??? HTML Parser is a Java library used to parse HTML in either a linear or nested fashion. Primarily used for transformation or extraction, it features filters, visitors, custom tags and easy to use JavaBeans. It is a fast, robust and well tested package. ??? The two fundamental use-cases that are handled by the parser are extraction and transformation (the syntheses use-case, where HTML pages are created from scratch, is better handled by other tools closer to the source of data). While prior versions concentrated on data extraction from web pages, Version 1.4 of the HTMLParser has substantial improvements in the area of transforming web pages, with simplified tag creation and editing, and verbatim toHtml() method output. ??? 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、TagNode、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 (NodeVisitor visitor) ??? Filter方法：collectInto (NodeList list, NodeFilter filter) ??? Object方法：toString、clone ??? * org.htmlparser.nodes.AbstractNode： ??? AbstractNode是形成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。 ??? 复合节点Composit