java分析html算法(java網(wǎng)頁蜘蛛算法示例)

更新時間：2014年03月21日 14:58:38 作者：

近來有些朋友在做蜘蛛算法，或者在網(wǎng)頁上面做深度的數(shù)據(jù)挖掘,下面使用示例

遇到復雜而繁瑣的html頁面大家都望而卻步。因為很難獲取到相應的數(shù)據(jù)。

最古老的辦法的是嘗試用正則表達式，估計那么繁瑣的東西得不償失，浪費我們寶貴的時間。

第二個辦法用開源組織htmlparser的包，這個是一個比較老的項目，但是效果估計不是很好，好像不可以深入分析html，只能分析5級的結構；

我這里有個htmlparser的源代碼，可以獲取所有的超鏈接的

復制代碼代碼如下:

/*
* To change this template, choose Tools | Templates
* and open the template in the editor.
*/
package test;

import java.util.HashMap;
import java.util.Map;

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;

public class GetLinkTest {

public static void main(String[] args) {

        try {
            // 通過過濾器過濾出<A>標簽
            Parser parser = new Parser("http://www.dbjr.com.cn");
            NodeList nodeList = parser.extractAllNodesThatMatch(new NodeFilter() {
                // 實現(xiàn)該方法,用以過濾標簽
                public boolean accept(Node node) {
                    if (node instanceof LinkTag)// 標記
                    {
                        return true;
                    }
                    return false;
                }
            });
            // 打印
            for (int i = 0; i < nodeList.size(); i++) {
                LinkTag n = (LinkTag) nodeList.elementAt(i);
                //System.out.print(n.getStringText() + " ==>> ");
                //System.out.println(n.extractLink());
                try {
                    if (n.extractLink().equals("http://www.dbjr.com.cn")) {
                        System.out.println(n.extractLink());
                    }
                } catch (Exception e) {
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        }

}
}

第三個辦法，也是我現(xiàn)在一直在用的辦法，首先把html清理為xml，然后用java解析xml獲取數(shù)據(jù)，現(xiàn)在上傳一個java clean html的源代碼：

復制代碼代碼如下:

/*
 * To change this template, choose Tools | Templates
 * and open the template in the editor.
 */
package exec;

import java.io.File;
import java.io.IOException;
import org.htmlcleaner.CleanerProperties;
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.PrettyXmlSerializer;
import org.htmlcleaner.TagNode;

/**
 *
 */
public class HtmlClean {

    public void cleanHtml(String htmlurl, String xmlurl) {
        try {
            long start = System.currentTimeMillis();

            HtmlCleaner cleaner = new HtmlCleaner();
            CleanerProperties props = cleaner.getProperties();
            props.setUseCdataForScriptAndStyle(true);
            props.setRecognizeUnicodeChars(true);
            props.setUseEmptyElementTags(true);
            props.setAdvancedXmlEscape(true);
            props.setTranslateSpecialEntities(true);
            props.setBooleanAttributeValues("empty");

            TagNode node = cleaner.clean(new File(htmlurl));

            System.out.println("vreme:" + (System.currentTimeMillis() - start));

            new PrettyXmlSerializer(props).writeXmlToFile(node, xmlurl);

            System.out.println("vreme:" + (System.currentTimeMillis() - start));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}