快捷導(dǎo)航

解析得到除去標(biāo)簽的txt內(nèi)容

更新時間：2008年09月24日 22:50:27 作者：

一個網(wǎng)頁中可能含有很多段落，但同時也夾雜著不少的標(biāo)簽（tags），而這卻不是我們所需要的，所以必須去掉。那么怎么去掉呢？用Visitor，請看下面代碼

NodeList body_nodes=this.getParser().parse(body_filter); 
for(int i=0;i<body_nodes.size();i++) 
{ 
Node node=body_nodes.elementAt(i); 

Parser body_parser=new Parser(node.toHtml()); 
TextExtractingVisitor visitor=new TextExtractingVisitor(); 
body_parser.visitAllNodesWith(visitor); 
body.append(visitor.getExtractedText()); 
} 

TextExtractingVisitor，visitAllNodesWith等類及方法都是Visitor中比較很重要但也很少見的。
下面附源代碼：

復(fù)制代碼代碼如下:

import java.io.BufferedWriter; 
import java.io.File; 
import java.io.FileWriter; 
import java.io.IOException; 
import java.util.Date; 

import org.htmlparser.Node; 
import org.htmlparser.NodeFilter; 
import org.htmlparser.Parser; 
import org.htmlparser.filters.AndFilter; 
import org.htmlparser.filters.HasAttributeFilter; 
import org.htmlparser.filters.HasChildFilter; 
import org.htmlparser.filters.TagNameFilter; 
import org.htmlparser.util.NodeList; 
import org.htmlparser.visitors.TextExtractingVisitor; 

import com.extractor.Extractor; 

public class ExtractorHangdian extends Extractor{ 
public void extract() 
{ 
BufferedWriter bw=null; 
String indextime; 
String title; 
StringBuffer body=new StringBuffer();; 
NodeFilter time_filter=new AndFilter(new TagNameFilter("font"),new HasAttributeFilter("color","#808080")); 
NodeFilter title_filter1=new AndFilter(new TagNameFilter("td"),new HasChildFilter(new TagNameFilter("b"))); 
NodeFilter body_filter=new AndFilter(new TagNameFilter("td"),new HasChildFilter(new TagNameFilter("p"))); 

try 
{ 
NodeList title_nodes=this.getParser().parse(title_filter1); 
Node node=title_nodes.elementAt(0); 
NodeList node2=node.getChildren(); 
//title=node2.elementAt(0).toHtml(); /* '\r\n' */ 
//title=node2.elementAt(1).toHtml(); /*font color="#000080" style="font-size:14.4px*/ 
//title=node2.elementAt(2).toHtml(); /* b */ 
title=node2.elementAt(3).toHtml(); /* 教材征訂及教師用書登記通知 */ 


bw=new BufferedWriter(new FileWriter(new File(this.getOutputPath()+title+".txt"))); 

String url_seg1=getInputFilePath().substring(3,30); 
int end=getInputFilePath().lastIndexOf("."); 
String url_seg2=getInputFilePath().substring(30, end); 
String url_seg=url_seg1+".asp?"+url_seg2; 
url_seg=url_seg.replaceAll("\\\\","/"); 
String url="http://"+url_seg; 

bw.write(url+NEWLINE); 
bw.write(title+NEWLINE); 


} 
catch(Exception e) 
{ 
e.printStackTrace(); 
} 

this.getParser().reset(); 
try 
{ 
NodeList time_nodes=this.getParser().parse(time_filter); 
Node time_node=time_nodes.elementAt(1);//這里的“1”表示符合time_filter的第二個元素 
indextime=time_node.getNextSibling().toHtml(); 

bw.write(indextime+NEWLINE); 
} 
catch(Exception e) 
{ 
e.printStackTrace(); 
} 

this.getParser().reset();//得到除去標(biāo)簽的所有txt文本 
try 
{ 
NodeList body_nodes=this.getParser().parse(body_filter); 
for(int i=0;i<body_nodes.size();i++) 
{ 
Node node=body_nodes.elementAt(i); 

Parser body_parser=new Parser(node.toHtml()); 
TextExtractingVisitor visitor=new TextExtractingVisitor(); 
body_parser.visitAllNodesWith(visitor); 
body.append(visitor.getExtractedText()); 
} 
bw.write(body+NEWLINE); 

} 
catch(Exception e) 
{ 
e.printStackTrace(); 
} 

try 
{ 
if(bw!=null) 
bw.close(); 
}catch(IOException e) 
{ 
e.printStackTrace(); 
} 
} 
} 