Question

我正在编写一个应用程序，该应用程序接收页面的HTML代码并提取页面的某些元素（例如表格）并返回这些元素的html代码。我试图在java中使用Mozilla解析器来简化页面导航，但是我无法提取所需的html代码。

也许我的整个方法都错了，也就是Mozilla解析器，所以如果有更好的解决方案，我愿意接受建议

String html = ///what ever the code is

MozillaParser p = // instantiate parser


// pass in html to parse which creates a dom object
Document d = p.parse(html);

// get a list of all the form elements in the page
NodeList l =  d.getElementsByTagName("form");

// iterate through all forms
for(int i = 0; i < l.getLength(); i++){

    // get a form
    Node n = l.item(i);

    // print out the html code for just this form.
    // This is the portion I haven't figured out.
    // I just made up the innerHTML method, but thats
    // the end result I'm desiring, a way to just see
    // the html code for a particular node
    System.out.println( n.innerHTML() );
}

Answer 1

我使用htmlcleaner（http://htmlcleaner.sourceforge.net/）取得了一定程度的成功：它非常快，并且可以让您确定它应该是多么“严格”。尽管如此，我尽可能避免使用html抓取，因为所有相反的原因（通过REST或其他形式的API暴露的数据往往更可靠，更合法，更容易解析等等。）。

Answer 2

Mozilla解析器在这里似乎有些过分，我已经使用Jericho取得了一些成功，只是你正在做的事情。

Answer 3

我在Mozilla平台上使用Javascript编写了一个HTML包装器。我将代码打包到Firefox浏览器的两个扩展中。其中一个称为MetaStudio，是一种数据模式定义工具，可以在语义上对Web页面进行注释。另一种称为DataScraper的工具是从网页中提取数据片段并将其格式化为XML文件的工具。

所有源代码都是可读的。请转到http://www.gooseeker.com下载它们。

用于屏幕刮擦的Mozilla Parser

3 个答案: