HTML抽取工具HtmlParser

    针对HTML抽取，相信很多人都听说过或者使用过HtmlParser。

htmlparser是一个纯的java写的html解析的库，它不依赖于其它的java库文件，主要用于改造或提取html。不能说它能超高速解析html，但他的解析质量比较好，不容易出错。毫不夸张地说，htmlparser就是目前功能最强大的java html解析和分析的工具。

HtmlParser项目网站：http://htmlparser.sourceforge.net/.

入门学习HtmlParser的不妨参考《HtmlParser使用入门》这篇博客，当然一些使用技巧，也可参考《HTMLParser 学习》、《HTMLParser使用》等等。

以下是一个简单的HtmlParser使用例子，用于读取Html页面上的所有文本。

package org.htmlparser; 
import java.io.File;
import java.io.FileOutputStream;
import org.htmlparser.Parser;
import org.htmlparser.lexer.Cursor;
import org.htmlparser.nodes.TagNode;
import org.htmlparser.util.NodeIterator;
import org.htmlparser.util.NodeList;

public class SimpleHtmlparse {      
    public static void main(String args[]) throws Exception{
    
          Parser parser = new Parser ("D:\\HTML1.htm"); 
           //Parser parser = new Parser ("I:\\bbb.htm"); 
           parser.setEncoding("GBK");
           NodeList list = parser.parse (null);
           String str = list.toString();   
           System.out.println(str);
          
           FileOutputStream output=new FileOutputStream(new File("d:\\1.txt"));
              byte b[]=str.getBytes();
           for(int i:b){
               output.write(i);
           }
           output.close();   
       }
}

 

其实，针对Html的解析，深入研究HtmlParser会有很多收获的。