htmlcleaner使用方法及xpath语法初探

作者：Eve Cole 更新时间：2025-02-06 17:12:02

在编程的时候或者写网络爬虫的时候，经常需要对html进行解析，抽取其中有用的数据。一款好的工具是特别有用的，能提供很多的帮助，网上有很多这样的工具，比如：htmlcleaner、htmlparser

经使用比较：感觉 htmlcleaner 比 htmlparser 好用，尤其是htmlcleaner 的 xpath特好用。

下面针对htmlcleaner进行举例说明，需求为：取出title，name=”my_href” 的链接，div的class=”d_1″下的所有li内容。

一、HtmlCleaner使用：

1、HtmlCleaner

HtmlCleaner是一个开源的Java语言的Html文档解析器。HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。然而，用户可以提供自定义tag和规则组来进行过滤和匹配。

主页地址：http://htmlcleaner.sourceforge.net/

下载地址：//www.VeVB.COm/softs/364983.html

2、基本示例，在wikipedia中抓取机场信息

html-clean-demo.html

html-clean-demo.html<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd "><html xmlns = "http://www.w3.org/1999/xhtml " xml:lang = "zh-CN" dir = "ltr"><head><meta http-equiv = "Content-Type" content = "text/html; charset=GBK" /> <meta http-equiv = "Content-Language" content = "zh-CN" /> <title>html clean demo </title></head><body><div class = "d_1"><ul><li>bar </li><li>foo </li><li>gzz </li></ul></div><div><ul><li><a name = "my_href" href = "1.html">text-1 </a></li><li><a name = "my_href" href = "2.html">text-2 </a></li><li><a name = "my_href" href = "3.html">text-3 </a></li><li><a name = "my_href" href = "4.html">text-4 </a></li></ul></div></body></html>

HtmlCleanerDemo.java

package com.chenlb;import java.io.File;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode;/** * htmlcleaner 使用示例. * */public class HtmlCleanerDemo {public static void main(String[] args) throws Exception {HtmlCleaner cleaner = new HtmlCleaner();TagNode node = cleaner.clean(new File("html/html-clean-demo.html"), "GBK");//按tag取.Object[] ns = node.getElementsByName("title", true);//标题if(ns.length > 0) {System.out.println("title="+((TagNode)ns[0]).getText());}System.out.println("ul/li:");//按xpath取ns = node.evaluateXPath("//div[@class='d_1']//li");for(Object on : ns) {TagNode n = (TagNode) on;System.out.println("/ttext="+n.getText());}System.out.println("a:");//按属性值取ns = node.getElementsByAttValue("name", "my_href", true, true);for(Object on : ns) {TagNode n = (TagNode) on;System.out.println("/thref="+n.getAttributeByName("href")+", text="+n.getText());}}}

cleaner.clean()中的参数，可以是文件，可以是url，可以是字符串内容。比较常用的应该是evaluateXPath、 getElementsByAttValue、getElementsByName方法了。另外说明下，htmlcleaner 对不规范的html兼容性比较好。

在wikipedia中抓取机场信息

import java.io.UnsupportedEncodingException;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode;import org.htmlcleaner.XPatherException;import org.slf4j.Logger;import org.slf4j.LoggerFactory;//import com.moore.index.BabyStory;import com.moore.util.HttpClientUtil;/** * 用途：TODO *  * @author bbdtek */public class ParserAirport {private static Logger log = LoggerFactory.getLogger(ParserAirport.class);/** * @param args * @throws UnsupportedEncodingException * @throws XPatherException */public static void main(String[] args) throws UnsupportedEncodingException,XPatherException {String url = "http://zh.wikipedia.org/wiki/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E6%9C%BA%E5%9C%BA%E5%88%97%E8%A1%A8";String contents = HttpClientUtil.getUtil().getCon(url);HtmlCleaner hc = new HtmlCleaner();TagNode tn = hc.clean(contents);String xpath = "//div[@class='mw-content-ltr']//table[@class='wikitable + sortable']//tbody//tr[@align='right']";Object[] objarr = null;objarr = tn.evaluateXPath(xpath);if (objarr != null && objarr.length > 0) {for (Object obj : objarr) {TagNode tntr = (TagNode) obj;String xptr = "//td[@align='left']//a";Object[] objarrtr = null;objarrtr = tntr.evaluateXPath(xptr);if (objarrtr != null && objarrtr.length > 0) {for (Object obja : objarrtr) {TagNode tna = (TagNode) obja;String str = tna.getText().toString();log.info(str);}}}}}}

二、XPath初探

1、XPath简介：

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。

2、XPath节点选取

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

下面列出了最有用的路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

一些常用表达式

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。