Как парсить html в java?

#java #html #парсер

Нужно пропарсить вебстраницу и извлечь из нее путь к картинке. Никак не могу разобраться
с классом  HTML Parser. Нужен пример - не могу найти в нете.    

Ответы

Ответ 1

А что сложного то?

У них самая обыкновенная документация в JavaDoc. Но даже там можно найти почти все,
что нужно. 
Например:


  Typical usage of the parser is: 

Parser parser = new Parser ("http://whatever");
NodeList list = parser.parse (null);
// do something with your list of nodes.



А потом еще немного посмотреть:

NodeList parse(NodeFilter filter)


NodeFilter -> вот тут

Все, по-моему, слишком просто.

Не говоря уже об этом


  bin/parser http://website_url
  [tag_name]
      where tag_name is an optional tag name to be used as a filter, i.e.
          A - Show only the link tags extracted from the document
          IMG - Show only the image tags extracted from the document
          TITLE - Extract the title from the document
      NOTE: this is also the default program for the htmlparser.jar, so the
  above could be:
      java -jar lib/htmlparser.jar http://website_url [tag_name]


UPD:

public static void main(String[] args) {
    try {
        Parser parser = new Parser("http://www.alliance-bags.ru/catalog.php?tov=576");
        parser.setEncoding("windows-1251");

        NodeFilter atrb1 = new TagNameFilter("IMG");
        NodeList nodeList = parser.parse(atrb1);

        for(int i=0; i
Ответ 2

Попробуйте jsoup. Мне очень понравился.


Ответ 3

Для простых случаев можно воспользоваться стандартным API Java. Например, достать
файл через HttpURLConnection и найти необходимое с помощью регулярных выражений.


Ответ 4

jsoup: Java HTML Parser:

Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
Elements newsHeadlines = doc.select("#mp-itn b a");


Ответ 5

Можно использовать стандартные для Java инструменты. Зачем для извлечения пути к
картинке использовать дополнительную либу?
Если необходимо единоразово сделать, то можно использовать DOM и XPath.
Если же необходимо обработать кучу больших документов, то лучше использовать SAX.
Единожды потратив время на разбор этих методов больше  никогда не будете знать проблем
с разбором не только HTML, но и любых XML документов.
Использование же регулярных выражений для разбора HTML не есть хорошая практика -
просто в силу особенности гибкости и необязательности синтаксиса HTML.


Ответ 6

Посмотрите на этот. Довольно простой принцип работы, поддерживает невалидные страницы.
Есть коллекция объектов, замапленых на теги. Очень удобно. 
Если есть вопросы - спрашивайте.