java Jsoup 解析html文件 java解析html工具

转载

智能创新者 2024-02-25 07:34:57

文章标签 java Jsoup 解析html文件 HTML Java 浏览器 Google 文章分类 Java 后端开发

Cobra 简介:
Cobra是一个HTML工具包。它包含一个纯Java HTML DOM 分析器和一个页面表现引擎。Cobra支持HTML4,Javascript 和CSS2。声明的新特征有:

实现了W3C HTML DOM Level 2接口。
能够解析某些浏览器所识别的 "street HTML"。
能够在headless模式中被使用。
当文档被解析时,对于Dom修改提供incremental notifications。
提供增量地修改Dom的方式,比如,设置一个页面元素的 "innerHTML" 属性。
识别Javascript.解析过程中对Dom的修改能够在结果Dom中反映出来，另外能实现对Javascript的禁用。
识别css2。

使用方法:

推荐做法是通过DocumentBuilderImpl类来使用Cobra HTML parser，如下所示：

Java 代码

import org.lobobrowser.html.parser.*;
import org.lobobrowser.html.test.*;
import org.lobobrowser.html.*;
import org.w3c.dom.*;
...
UserAgentContext context = new SimpleUserAgentContext();
DocumentBuilderImpl dbi = new DocumentBuilderImpl(context);
//指定文档URI和字符集合
Document document = dbi.parse(new InputSourceImpl(inputStream, documentURI, charset));

HtmlParser 类也能被直接使用，尤其是在第三方Dom的实现中，或者在某个比较特殊的Dom节点(引用innerHTML属性的地方)下解析HTML:

Java 代码

import org.lobobrowser.html.parser.*;
import org.lobobrowser.html.test.*;
import org.lobobrowser.html.*;
import org.w3c.dom.*;
import org.w3c.dom.html2.*;
...
UserAgentContext context = new SimpleUserAgentContext();
DocumentBuilderImpl dbi = new DocumentBuilderImpl(context);
HTMLDocument document = (HTMLDocument) dbi.createDocument();
...
HtmlParser parser = new HtmlParser(context, document);
parser.parse(myReader, someParentNode);

性能贴士

远程脚本和css文档载入速度对解析器的性能影响显著，有两种提高性能的方法: