by lostfire
這兩天準(zhǔn)備做一些網(wǎng)站編程的工作，于是對(duì)HtmlParse小研究了一下，目的是快速入手，而不是深入研究，做了一下整理，和大家共同討論一下。
?
一，數(shù)據(jù)組織分析：
HtmlParser主要靠Node、AbstractNode和Tag來表達(dá)Html，因?yàn)镽emark和Text相對(duì)簡(jiǎn)單，此處就將其忽略了。
- Node是形成樹結(jié)構(gòu)表示HTML的基礎(chǔ)，所有的數(shù)據(jù)表示都是接口Node的實(shí)現(xiàn)，Node定義了與頁面樹結(jié)構(gòu)所表達(dá)的頁面Page對(duì)象，定義了獲取父、子、兄弟節(jié)點(diǎn)的方法，定義了節(jié)點(diǎn)到對(duì)應(yīng)html文本的方法，定義了該節(jié)點(diǎn)對(duì)應(yīng)的起止位置，定義了過濾方法，定義了Visitor訪問機(jī)制。
- AbstractNode是Node的一種具體的類實(shí)現(xiàn)，起到構(gòu)成樹形結(jié)構(gòu)的作用，除了同具體Node相關(guān)的accetp方法，toString，toHtml，toPlainTextString方法以外，AbstractNode實(shí)現(xiàn)了大多基本的方法，使得它的子類，不用理會(huì)具體的樹操作。
- Tag是具體分析的主要內(nèi)容。Tag分成composite的Tag和不能包含其他Tag的簡(jiǎn)單Tag兩類，其中前者的基類是CompositeTag，其子類包含BodyTag,Div,FrameSetTag,OptionTag，等27個(gè)子類；而簡(jiǎn)單Tag有BaseHrefTag、DoctypeTag,FrameTag，ImageTag，InputTag，JspTag，MetaTag，ProcessingInstructionTag這八類。
Node分成三類：
- RemarkNode:代表Html中的注釋
- TagNode：標(biāo)簽節(jié)點(diǎn)，是種類最多的節(jié)點(diǎn)類型，上述Tag的具體節(jié)點(diǎn)類都是TagNode的實(shí)現(xiàn)。
- TextNode：文本節(jié)點(diǎn)
?
二，Visitor方式訪問Html：
?
1，整體解析過程
- 用一個(gè)URL或頁面String做一個(gè)Parser
- 用這個(gè)Parser做一個(gè)Visitor
- 使用Parser.visitAllNodeWith(Visitor)來遍歷節(jié)點(diǎn)
- 獲取Visitor遍歷后得到的數(shù)據(jù)
2，Visit過程
- 做解析之前做的事情：visitor.beginParsing();
- 每次取到一個(gè)節(jié)點(diǎn)Node，讓該Node接受accept該Visitor
- 做解析后做的事情：visitor.finishedParsing();
3，獲取節(jié)點(diǎn)的過程：逐步遍歷Html，分析出Node。此部分較為復(fù)雜，且對(duì)于我們應(yīng)用來說無需很多了解，暫跳過。
?
4，節(jié)點(diǎn)訪問
節(jié)點(diǎn)訪問采用Visitor模式，Node的accept方法和具體Visitor的visit方法是關(guān)鍵。
首先三類Node來accept的方式各不相同：
- 對(duì)于所有TagNode都使用一個(gè)accept方法，即TagNode的accept方法。首先判斷是否是標(biāo)簽結(jié)尾，如果是就visitor.visitEndTag (this)；否則visitor.visitTag (this);
- 如果是TextNode，那就visitor.visitStringNode (this);就可以了。
- 如果是RemarkNode，那就visitor.visitRemarkNode (this);就可以了。
實(shí)際上NodeVisitor里邊這四種visit方法都是空的，因?yàn)樵诓煌腣isitor中對(duì)于這三類節(jié)點(diǎn)的處理是不同的；對(duì)于需要處理的節(jié)點(diǎn)，只要重載對(duì)應(yīng)的visit方法就行了，如果不處理那就不理會(huì)就可以了；另外，如果用戶用自己的Visitor，那么還可以靈活的處理不同類型的節(jié)點(diǎn)了。
系統(tǒng)為我們實(shí)現(xiàn)了下面我要介紹的8種Visitor，實(shí)際上可以看作是系統(tǒng)給我們演示了如何做各種各樣的Visitor來訪問Html，因?yàn)閷?shí)際上我們要真正來用HtmlParser的話，還需要特定的Visitor，而通過簡(jiǎn)單的這些系統(tǒng)提供的Visitor組合是難以做成什么事情的。
?
三，系統(tǒng)Visitor功能簡(jiǎn)介：
- ObjectFindingVisitor：用來找出所有指定類型的節(jié)點(diǎn)，采用getTags()來獲取結(jié)果。
- StringBean：用來從一個(gè)指定的URL獲取移除了<SCRIPT></SCRIPT>和<PRE></PRE>之間代碼的Html代碼，也可以用做Visitor，用來移除這兩種標(biāo)簽內(nèi)部的代碼，采用StringBean.getStrings()來獲取結(jié)果。
- HtmlPage：提取Title，body中的節(jié)點(diǎn)和頁面中的TableTag節(jié)點(diǎn)。
- LinkFindingVisitor:找出節(jié)點(diǎn)中包含某個(gè)鏈接的總個(gè)數(shù)。
- StringFindingVisitor：找出遍歷的TextNode中含有指定字符串的個(gè)數(shù)。
- TagFindingVisitor：找出指定Tag的所有節(jié)點(diǎn)，可以指定多種類型。
- TextExtractingVisitor：從網(wǎng)頁中把所有標(biāo)簽去掉來提取文本，這個(gè)提取文本的Visitor有時(shí)是很實(shí)用的，只是注意在提取文本時(shí)將標(biāo)簽的屬性也去掉了，也就是說只剩下標(biāo)簽之間的文本，例如<a>中的鏈接也去掉了。
- UrlModifyingVisitor：用來修改網(wǎng)頁中的鏈接。
四，F(xiàn)ilter
?
如果說visitor是遍歷提取信息，當(dāng)然這個(gè)信息可以包括某些節(jié)點(diǎn)或者從節(jié)點(diǎn)分析出來的更有效的信息，這都取決于我們的Visitor做成什么樣子，那么Filter則目標(biāo)很明確，就是用來提取節(jié)點(diǎn)的。所以說要想用HtmlParser，首先要熟悉上面講到的數(shù)據(jù)組織。
?
系統(tǒng)定義了17種具體的Filter，包括依據(jù)節(jié)點(diǎn)父子關(guān)系的Filter，連接Filter組合的Filter，依據(jù)網(wǎng)頁內(nèi)容匹配情況的filter，等等。我們也可以implement Filter來做自己的Filter來提取節(jié)點(diǎn)。
?
Filter的調(diào)用是同Visitor獨(dú)立的，因?yàn)橐矡o需先filter出一些NodeList，再用Visitor來訪問。調(diào)用Filter的方法是：
NodeList nodeList = myParser.parse(someFilter);
解析之后，我們可以采用：
Node[] nodes = nodeList.toNodeArray();
來獲取節(jié)點(diǎn)數(shù)組，也可以直接訪問：
Node node = nodeList.elementAt(i)來獲取Node。
?
另外，在Filter后得到NodeList以后，我們?nèi)匀豢梢允褂肗odeList的extractAllNodesThatMatch(someFilter)來進(jìn)一步過濾，同時(shí)又可以用NodeList的isitAllNodesWith(someVisitor)來做進(jìn)一步的訪問。
這樣，我們可以看到HtmlParser為我們提供了非常方便的Html解析方式，針對(duì)不同的應(yīng)用可以采用visitor來遍歷Html節(jié)點(diǎn)提取數(shù)據(jù)，也可以用Filter來過濾節(jié)點(diǎn)，提取出我們所關(guān)注的節(jié)點(diǎn)，再對(duì)節(jié)點(diǎn)進(jìn)行處理。通過這樣的組合，一定能夠找出我們所需要的信息。
?
參考：
posted on 2006-07-02 22:47
rd2pm 閱讀(34212)
評(píng)論(23) 編輯 收藏 所屬分類:
http tool