[英]Extraction of HTML Tags using Java
我想从网页的源代码中提取各种HTML标签,有没有Java中的方法可以做到这一点,还是HTML解析器支持这个?
我想分开所有的HTML标签。
Java附带了一个XML解析器,其中包含与JavaScript中的DOM类似的方法:
DocumentBuilder builder = DocumentBuilderFactory.newDocumentBuilder();
Document doc = builder.parse(html);
doc.getElementById("someId");
doc.getElementsByTagName("div");
doc.getChildNodes();
文档构建器可以采用许多不同的输入(输入流,原始html字符串等)。
http://download.oracle.com/javase/1.5.0/docs/api/org/w3c/dom/Document.html
如果您需要更多,网络neko解析器也很好。
您可以使用正则表达式。 如果你的html是有效的XML - 你可以使用XML解析器
您可以编写自己的util
方法来提取标记。
检查<
和/>
或>
是否有完整标记,并将这些标记写入另一个文件。
我在一个项目中使用过HTMLParser ,非常满意。
编辑:如果您检查示例页面, 解析器示例几乎可以满足您的要求。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.