HtmlParser提取网页中的纯文本信息

转载自 HtmlParser提取网页中的纯文本信息

HTMLParser 一个解析web页面的开源类库。

    准备学习下搜索方面的技术，就学习了些网络爬虫的知识。最近一直在一个点上困惑，如何提取一个网页上的纯文本信息。要使用正则表达式的话呢，需要考虑很多因素，而且标签也太多，不是很方便，效果也不好。就准备利用开源包，最后选择了HtmlParser。

    在网上搜索如何利用HtmlParser提取页面信息。提取的结果都不是很理想，都包含了很多无用空格信息，还有很多JS代码。

如利用如下的代码：

public void getWebPageContent(String htmlContent) {  
  
        Parser parser = new Parser();  
        try {  
            parser.setInputHTML(htmlContent);  
            parser.setEncoding(parser.getURL());  
            HtmlPage page = new HtmlPage(parser);  
            parser.visitAllNodesWith(page);  
  
            logger.info(page.getTitle());  
  
            NodeList list = page.getBody();  
  
            StringBuffer sb = new StringBuffer();  
            for (NodeIterator iterator = list.elements(); iterator  
                    .hasMoreNodes();) {  
                Node node = iterator.nextNode();  
                logger.info(node.toPlainTextString());  
  
        } catch (ParserException e) {  
            // TODO Auto-generated catch block  
            e.printStackTrace();  
        }  
    }  

就包含了很多的空格信息以及JS代码。

后来在HTMLParser的API中的org.htmlparser.beans.StringBean类的描述中找到如下一段文字：

Extract strings from a URL.   
  
Text within <SCRIPT></SCRIPT> tags is removed.  
  
The text within <PRE></PRE> tags is not altered.  
  
The property Strings, which is the output property is null until a URL is set. So a typical usage is:  
  
     StringBean sb = new StringBean ();  
     sb.setLinks (false);  
     sb.setReplaceNonBreakingSpaces (true);  
     sb.setCollapse (true);  
     sb.setURL ("http://www.netbeans.org"); // the HTTP is performed here  
     String s = sb.getStrings ();  
   

利用后，如下：

/** 
     * 根据提供的URL，获取此URL对应网页的纯文本信息 
     * @param url 提供的URL链接 
     * @return RL对应网页的纯文本信息 
     * @throws ParserException 
     */  
    public String getText(String url)throws ParserException{  
        StringBean sb = new StringBean();  
          
        //设置不需要得到页面所包含的链接信息  
        sb.setLinks(false);  
        //设置将不间断空格由正规空格所替代  
        sb.setReplaceNonBreakingSpaces(true);  
        //设置将一序列空格由一个单一空格所代替  
        sb.setCollapse(true);  
        //传入要解析的URL  
        sb.setURL(url);  
        //返回解析后的网页纯文本信息  
        return sb.getStrings();  
    }  