如何在 HTML 文件中搜索某些标签？答案

【问题标题】：How to search in a HTML file for some tags?如何在 HTML 文件中搜索某些标签？
【发布时间】：2010-10-14 22:34:02
【问题描述】：

我在使用 Java 时遇到了一点问题。如何做到这一点：我想在 HTML 文件中搜索标签 href 和 src，然后我想获取与该标签关联的 URL。

最好的方法是什么？

感谢您的帮助。最好的问候。

【问题讨论】：

【解决方案1】：

我已经成功地将Neko HTML Parser 用于此类事情（屏幕抓取）。

导入 org.cyberneko.html.parsers.DOMParser；导入 org.w3c.dom.Node；公共类TestParser { 公共静态 void main(String[] argv) 抛出异常 { DOMParser 解析器 = 新的 DOMParser(); for (int i = 0; i

【讨论】：

【解决方案2】：

这是我用来完成您想做的事情的代码，但首先让我给您一些提示。

如果您在 Java Swing 环境中，请确保使用 javax.swing.text.html 和 javax.swing.text.html.parser 包中的方法。不幸的是，它们主要用于 JEditorPane，但我仍然强烈建议您看看这些。

Java 6 API 中有一个名为 HTML.Tag 的类，它标识 HTML 开始和结束标签，然后您可以使用它来确定您希望程序跟随的链接在哪里。http://java.sun.com/javase/6/docs/api/javax/swing/text/html/HTML.Tag.html

当我写一个与此非常相似的程序时，我使用了 3 个主要方法：

public void handleStartTag(HTML.Tag t, MUtableAttributeSet atts, int pos)
public void handleEndTag(HTML.Tag t, int pos)
public void handleText(char[] text, int pos)

如果你需要更多关于如何编写这些方法的帮助，你可以给我发消息，但基本上，你正在寻找一个初始标签和一个结束标签，然后你会从中识别出 url，然后你可以继续下一步，就是跟着 url。

要跟随 url，我建议您使用 JEditorPane 对象。 javax.swing.event.HyperlinkListener 接口只定义了一种方法，hyperlinkUpdate(HyperlinkEvent e)，您可以将 url 传递到该方法中，然后在您的 JEditorPane 对象上调用 .setPage(evt.getURL())。然后，这将使用新页面更新窗格，并允许您再次启动该过程。

如果您有任何问题，请给我留言，请投票给这个答案！

【讨论】：

【解决方案3】：

我会看看tagsoup，它可以从任何 HTML 文档构建一个 DOM 树，即使是最不合规的文档。

然后使用 XPath 并遍历返回的 NodeList：

//a

和

//图片

【讨论】：

【解决方案4】：

如果您的文件是 xhtml 文档，它是标准的 xml 文档，解析它的最糟糕的方法是使用 jdom。 JDom 非常强大，易于使用和理解。

如果你有一个 html 文档，你可以试试 htmlparser，尤其是 LinkTag 类。

【讨论】：

【解决方案5】：

你可以使用Rhino，然后加载html文件。加载后，您可以使用 getElementBy 转到任何节点或获取值。

【讨论】：

【解决方案6】：

Take a look at this question:

我使用的答案是JTidy

【讨论】：

【解决方案7】：

您希望将其作为一次性编辑任务执行，还是需要系统（即代码）实施？在第二种情况下，找到一个 Java HTML 解析器实现并遍历 DOM 树。

http://java-source.net/open-source/html-parsers

【讨论】：