HtmlParser提取网页中的纯文本信息

转载自   HtmlParser提取网页中的纯文本信息

 HTMLParser 一个解析web页面的开源类库。 
    
    准备学习下搜索方面的技术，就学习了些网络爬虫的知识。最近一直在一个点上困惑，如何提取一个网页上的纯文本信息。要使用正则表达式的话呢，需要考虑很多因素，而且标签也太多，不是很方便，效果也不好。就准备利用开源包，最后选择了HtmlParser。 

    在网上搜索如何利用HtmlParser提取页面信息。提取的结果都不是很理想，都包含了很多无用空格信息，还有很多JS代码。 

如利用如下的代码： 

1. public void getWebPageContent(String htmlContent) {  
2.   
3.         Parser parser = new Parser();  
4.         try {  
5.             parser.setInputHTML(htmlContent);  
6.             parser.setEncoding(parser.getURL());  
7.             HtmlPage page = new HtmlPage(parser);  
8.             parser.visitAllNodesWith(page);  
9.   
10.             logger.info(page.getTitle());  
11.   
12.             NodeList list = page.getBody();  
13.   
14.             StringBuffer sb = new StringBuffer();  
15.             for (NodeIterator iterator = list.elements(); iterator  
16.                     .hasMoreNodes();) {  
17.                 Node node = iterator.nextNode();  
18.                 logger.info(node.toPlainTextString());  
19.   
20.         } catch (ParserException e) {  
21.             // TODO Auto-generated catch block  
22.             e.printStackTrace();  
23.         }  
24.     }  

就包含了很多的空格信息以及JS代码。 


后来在HTMLParser的API中的org.htmlparser.beans.StringBean类的描述中找到如下一段文字：  

1. Extract strings from a URL.   
2.   
3. Text within <SCRIPT></SCRIPT> tags is removed.  
4.   
5. The text within <PRE></PRE> tags is not altered.  
6.   
7. The property Strings, which is the output property is null until a URL is set. So a typical usage is:  
8.   
9.      StringBean sb = new StringBean ();  
10.      sb.setLinks (false);  
11.      sb.setReplaceNonBreakingSpaces (true);  
12.      sb.setCollapse (true);  
13.      sb.setURL ("http://www.netbeans.org"); // the HTTP is performed here  
14.      String s = sb.getStrings ();  
15.    

利用后，如下： 

1. /** 
2.      * 根据提供的URL，获取此URL对应网页的纯文本信息 
3.      * @param url 提供的URL链接 
4.      * @return RL对应网页的纯文本信息 
5.      * @throws ParserException 
6.      */  
7.     public String getText(String url)throws ParserException{  
8.         StringBean sb = new StringBean();  
9.           
10.         //设置不需要得到页面所包含的链接信息  
11.         sb.setLinks(false);  
12.         //设置将不间断空格由正规空格所替代  
13.         sb.setReplaceNonBreakingSpaces(true);  
14.         //设置将一序列空格由一个单一空格所代替  
15.         sb.setCollapse(true);  
16.         //传入要解析的URL  
17.         sb.setURL(url);  
18.         //返回解析后的网页纯文本信息  
19.         return sb.getStrings();  
20.     }  

便可以解析出网页中的纯文本信息，而且效果很好