NekoHTML学习笔记

J. Andrew Clark用Java写了一系列的 工具(Java APIs), NekoHTML是其中之一。

  NekoHTML是一个简单地HTML扫描器和标签补偿器(tag balancer) ,使得程序能解析HTML文档并用标准的XML接口来访问其中的信息。这个解析器能投扫描HTML文件并“修正”许多作者(人或机器)在编写HTML文档 过程中常犯的错误。NekoHTML能增补缺失的父元素、自动用结束标签关闭相应的元素,以及不匹配的内嵌元素标签。NekoHTML的开发使用了 Xerces Native Interface (XNI),后者是Xerces2的实现基础。

  

一、运行要求
从NekoHTML主页上下载nekohtml-latest.zip,目前版本是0.8.
NekoHTML要求运行在java1.1或更高版本,Xerces-J 2.0或更高版本。(我在试用时,随便拿了个xerces的包来用,结果例如运行老时不能通过,折腾半天后才发现版本不够所致.:)
二、使用NekoHTML

1、透明地创建HTML解析器
利用Xerces2.0为基础,应用程序通过JAXP实例化解析器对象时,可以透明地创建HTML解析器,此时只需要将NekoHTML的jar文 件,在CLASSPATH中放在Xerces的jar文件之前即可。nekohtmlXni.jar中的META- INF/services/org.apache.xerces.xni.parser.XMLParserConfiguration文件会被 Xerces的读取并取代标准的设置文件,此处 org.apache.xerces.xni.parser.XMLParserConfiguration文件的内容就是一个字符串 “org.cyberneko.html.HTMLConfiguration”。这种方法的好处是简单透明,缺点是影响了Xerces在其它情况下的使 用。

2、便利的HTML解析器类
要想避免上述的问题,可以使用org.cyberneko.html.parsers包的DOM和SAX解析器类来创建解析器,这两个类都使用了 HTMLConfiguration类。解析器一旦创建之后,就可以解析HTML文件,并用标准的XML接口来访问文件中的信息,就象面对的是一个XML 文件一样。
下面的代码是NekoHTML自带的例程,我改了一下,使其可以显示HTML文件内容,而不显示类的名字。

package sample;

import org.cyberneko.html.parsers.DOMParser;

import org.w3c.dom.Document;

import org.w3c.dom.Node;



public class TestHTMLDOM {

public static void main(String[] argv) throws Exception {

DOMParser parser = new DOMParser();

for (int i = 0; i < argv.length; i++) {

parser.parse(argv[i]);

print(parser.getDocument(), "");

}

}

public static void print(Node node, String indent) {

// System.out.println(indent+node.getClass().getName());

if (node.getNodeValue() != null){

if("".equals(node.getNodeValue().trim())){

}else{

System.out.print(indent);

System.out.println(node.getNodeValue());

}

}



Node child = node.getFirstChild();

while (child != null) {

print(child, indent+" ");

child = child.getNextSibling();

}

}

}

编译运行如下:
cd $NEKOHTML_HOME
cp build_html.xml build.xml
ant
java -cp nekohtml.jar;nekohtmlSamples.jar;xmlParserAPIs.jar;xercesImpl.jar sample.TestHTMLDOM test.html

如果一切正常可以显示HTML的内容了。
3、文档片段解析
除了DOM和SAX类,NekoHTML还提供了一个实验性质的DOMFragmentParser类,用以解析HTML文件的片段。我个人认为,由 于浏览器的强大的容错能力,即使一个片段的HTML文件,也可以正确显示,由此也变相地造成了很多人不再关心的HTML的完整要求了。这个类,也许将是用 的最多的。下面,看看nutch是如何使用nekoHTML的。
package net.nutch.fetcher;

...

import org.cyberneko.html.parsers.*;

import org.xml.sax.*;

import org.w3c.dom.*;

import org.w3c.dom.html.*;

import org.apache.html.dom.*;

/* A simple fetcher. */

public class Fetcher {

....

private DOMFragmentParser parser = new DOMFragmentParser();

....

private void handleFetch(URL url, FetchListEntry fle, Http.Response response)

throws IOException, SAXException {



//判断HTTP应答包的类型,只放过html文件

String contentType = response.getHeader("Content-Type");

if (contentType != null && !contentType.startsWith("text/html"))

throw new IOException("Unknown content-type: " + contentType);

//创建文件片段对象

DocumentFragment node = new HTMLDocumentImpl().createDocumentFragment();

//解析HTML内容

parser.parse(new InputSource(new ByteArrayInputStream(response.getContent())),node);

//取得全部文本内容

StringBuffer sb = new StringBuffer();

getText(sb, node);

String text = sb.toString();

//取得标题信息

sb.setLength(0);

getTitle(sb, node);

String title = sb.toString().trim();

//取得该页所有的出链

ArrayList l = new ArrayList();

getOutlinks(url, l, node);



//显示结果,存储信息

Outlink[] outlinks = (Outlink[])l.toArray(new Outlink[l.size()]);

LOG.fine("found " + outlinks.length + " outlinks in " + url);



outputPage(new FetcherOutput(fle, MD5Hash.digest(response.getContent()),

true, title, outlinks),

new FetcherContent(response.getContent()),

new FetcherText(text));

}

private static void getText(StringBuffer sb, Node node) {

if (node.getNodeType() == Node.TEXT_NODE) {

sb.append(node.getNodeValue());//取得结点值,即开始与结束标签之间的信息

}

NodeList children = node.getChildNodes();

if ( children != null ) {

int len = children.getLength();

for ( int i = 0; i < len; i++ ) {

getText(sb, children.item(i));//递归遍历DOM树

}

}

}



private static boolean getTitle(StringBuffer sb, Node node) {

if (node.getNodeType() == Node.ELEMENT_NODE) {

if ("title".equalsIgnoreCase(node.getNodeName())) {

getText(sb, node);

return true;

}

}

NodeList children = node.getChildNodes();

if (children != null) {

int len = children.getLength();

for (int i = 0; i < len; i++) {

if (getTitle(sb, children.item(i))) {

return true;

}

}

}

return false;

}



private static void getOutlinks(URL base, ArrayList outlinks, Node node) {

if (node.getNodeType() == Node.ELEMENT_NODE) {

if ("a".equalsIgnoreCase(node.getNodeName())) {

StringBuffer linkText = new StringBuffer();

getText(linkText, node);



NamedNodeMap attrs = node.getAttributes();

String target= null;

for (int i= 0; i < attrs.getLength(); i++ ) {

if ("href".equalsIgnoreCase(attrs.item(i).getNodeName())) {

target= attrs.item(i).getNodeValue();//在DOM树中,属性是一个结点。

break;

}

}

if (target != null)

try {

URL url = new URL(base, target);

outlinks.add(new Outlink(url.toString(),linkText.toString().trim()));

} catch (MalformedURLException e) {

// don't care

}

}

}

NodeList children = node.getChildNodes();

if ( children != null ) {

int len = children.getLength();

for ( int i = 0; i < len; i++ ) {

getOutlinks(base, outlinks, children.item(i));//递归遍历DOM树

}

}

}

....

}


注意,此处传递给解析过程parse的文档片段对象,必须是由org.w3c.dom.html.HTMLDocument类型的DOM文档对象创建,否则有异常。
HTMLConfiguration可以用于创建任何基于XNI解析器,可参考下例
package sample;

import org.apache.xerces.parsers.AbstractSAXParser;

import org.cyberneko.html.HTMLConfiguration;



public class HTMLSAXParser extends AbstractSAXParser {

public HTMLSAXParser() {

super(new HTMLConfiguration());

}

}

三、设置解析器参数
为了更加精确的控制解析的动作,nekohtml提供了相应的设置函数。如下列:
// settings on HTMLConfiguration

org.apache.xerces.xni.parser.XMLParserConfiguration config =

new org.cyberneko.html.HTMLConfiguration();

config.setFeature("http://cyberneko.org/html/features/augmentations", true);

config.setProperty("http://cyberneko.org/html/properties/names/elems", "lower");

// settings on DOMParser

org.cyberneko.html.parsers.DOMParser parser =

new org.cyberneko.html.parsers.DOMParser();

parser.setFeature("http://cyberneko.org/html/features/augmentations", true);

parser.setProperty("http://cyberneko.org/html/properties/names/elems", "lower");


nekohtml功能(feature)列表
功能默认值描述
http://cyberneko.org/html/features/balance-tags True是否允许增补缺失的标签。如果要以XML方式操作HTML文件,此值必须为真。此处提供设置功能,为了性能的原因。
http://cyberneko.org/html/features/balance-tags/ignore-outside-content False是否忽略文档根元素以后的数据。如果为false,<html>和<bod>被忽略,所有的内容都被解析。
http://cyberneko.org/html/features/document-fragment False解析HTML片段时是否作标签增补。此功能不要用在DOMParser上,而要用在DOMFragmentParser上。
http://apache.org/xml/features/scanner/notify-char-refs False当遇到字符实体引用(如&#x20;)是否将(#x20)报告给相应地文档处理器。
http://apache.org/xml/features/scanner/notify-builtin-refs False当遇到XML内建的字符实体引用(如&amp;)是否将(amp)报告给相应地文档处理器。
http://cyberneko.org/html/features/scanner/notify-builtin-refs False当遇到HTML内建的字符实体引用(如&copy;)是否将(copy)报告给相应地文档处理器。
http://cyberneko.org/html/features/scanner/script/strip-comment-delims False是否剥掉<script>元素中的<!-- -->等注释符。
http://cyberneko.org/html/features/augmentations False是否将与HTML事件有关的infoset项包括在解析管道中。
http://cyberneko.org/html/features/report-errors False是否报告错误。

nekohtml属性列表
属性默认值值域描述
http://cyberneko.org/html/properties/filters nullXMLDocumentFilter[] 在解析管道的最后按数组顺序追加自定义的处理组件(过滤器),必须为数组类型。
http://cyberneko.org/html/properties/default-encoding Windows-1252IANA encoding names默认的HTML文件编码
http://cyberneko.org/html/properties/names/elems upperupper,lower,match如果整理识别出的元素名称
http://cyberneko.org/html/properties/names/attrs lowerupper,lower,no-change如果整理识别出的属性名称


四、管道过滤器

Xerces Native Interface (XNI)定义了一个解析器配置框架,在那儿一个个解析器以模块化组件的形式组成一个管道。这样一来,通过重新安排已有组件和/或新定制开发的组件,就可 完成一个新的解析器配置工作。由于nekohtml是采用这个配置框架开发的,所以对解析器新增功能就很简单通过在默认的nekohtml解析管道的末端 增加文档过滤器来实现。
要新开发一个过滤器,很简单地实现xerces2的org.apache.xerces.xni.parser包中的 XMLDocumentFilter接口即可。这个接口,一方面使组件成为管道中上一级的事件处理器,另一方面又成为下级的信息源。针对nekohtml 的过滤器开发,只需简单地扩展org.cyberneko.html.filters包中的DefaultFilter类即可。
将自行开发的过滤器加入管道,可参考以下两种办法:
XMLDocumentFilter noop = new DefaultFilter();

XMLDocumentFilter[] filters = { noop };

XMLParserConfiguration parser = new HTMLConfiguration();

parser.setProperty("http://cyberneko.org/html/properties/filters", filters);


nekohtml的org.cyberneko.html.filters 包中有DefaultFilter、
ElementRemover、Identity、Writer,能实现动态插入内容、删除元素、序列化HTML文档等,不详细述。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值