Java：HTML解析答案

【问题标题】：Java : HTML ParsingJava：HTML解析
【发布时间】：2011-06-04 14:14:44
【问题描述】：

我的 HTML 内容如下所示。我在这里寻找的标签是"img src" 和"!important"。 Java 是否提供任何 HTML 解析技术？

<fieldset>
<table cellpadding='0'border='0'cellspacing='0'style="clear :both">
<tr valign='top' ><td width='35' >
<a href='http://mypage.rediff.com/android/32868898'class='space' onmousedown="return
 enc(this,'http://track.rediff.com/clickurl=___http%3A%2F%2Fmypage.rediff.com%2Fandroid%2F3 868898___&service=mypage_feeds&clientip=202.137.232.117&pos=0&feed_id=12942949154d255f839677925642&prc_id=32868898&rowid=2064549114')" >
<div style='width:25px;height:25px;overflow:hidden;'>
<img src='http://socialimg04.rediff.com/image.php?uid=32868898&type=thumb'  width='25'  vspace='0'  /></div></a></td> <td><span>
<a href='http://mypage.rediff.com/android/32868898'  class="space" onmousedown="return enc(this,'http://track.rediff.com/click?url=___http%3A%2F%2Fmypage.rediff.com%2Fandroid%2F32868898___&service=mypage_feeds&clientip=202.137.232.117&pos=0&feed_id=12942949154d255f839677925642&prc_id=32868898&rowid=2064549114')" >Android </a> </span><span style='color:#000000
!important;'>android se updates...</span><div class='divtext'></div></td></tr><tr><td height='5' ></td></tr></table></fieldset><br/>

【问题讨论】：

@c0mrade 他在标题、问题和标签中说Java。
@marcog 人们确实经常将这两者混为一谈，所以我只是仔细检查一下没有伤害

标签： java html-parsing

【解决方案1】：

String value = Jsoup.parse(new File("d:\\1.html"), "UTF-8").select("img").attr("src");
System.out.println(value); //http://socialimg04.rediff.com/image.php?uid=32868898&type=thumb
System.out.println(Jsoup.parse(new File("d:\\1.html"), "UTF-8").select("span[style$=important;]").first().text());//android se updates...

【讨论】：

重要部分请澄清问题
有一个重要的标签，其中包含一个文本，我需要获取它。
我在你给的html中看不到任何important标签

【解决方案2】：

试试NekoHtml。这是 HtmlUnit 等各种高级测试框架使用的 HTML 解析库。

NekoHTML 是一个简单的 HTML 扫描器和标签平衡器，它使应用程序程序员能够解析 HTML 文档并使用标准 XML 接口访问信息。解析器可以扫描 HTML 文件并“修复”人类（和计算机）作者在编写 HTML 文档时所犯的许多常见错误。 NekoHTML 添加缺少的父元素；自动关闭带有可选结束标签的元素；并且可以处理不匹配的内联元素标签。

【讨论】：

【解决方案3】：

我使用了jsoup - 这个库有很好的选择器语法 (http://jsoup.org/cookbook/extracting-data/selector-syntax)，对于您的问题，您可以使用如下代码：

File input = new File("input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

Elements pngs = doc.select("img[src$=.png]");

【讨论】：

对于“重要”，使用以下代码：doc.getElementsByAttributeValueMatching(String key,String regex)。在您的情况下，键是“style”（span style="... !important"），正则表达式是“(!important)”

【解决方案4】：

我喜欢使用 Jericho：http://jericho.htmlparser.net/docs/index.html

对格式不正确的 html、导致不可用位置的链接等无害。

他们的页面上有很多示例，您只需获取所有 IMG 标签并分析其属性以提取符合您需求的那些。

【讨论】：