java dom4j 解析html

原创

mob64ca12e41d46 2023-08-08 22:55:37 ©著作权

文章标签 HTML XML Java 文章分类 Java 后端开发

©著作权归作者所有：来自51CTO博客作者mob64ca12e41d46的原创作品，请联系作者获取转载授权，否则将追究法律责任

Java dom4j解析HTML

介绍

在Java开发中，我们经常需要解析HTML文件并提取其中的信息。dom4j是一个强大的Java XML解析库，它可以用来解析和操作XML文档。虽然dom4j主要用于解析XML，但它也可以用来解析HTML文件。

在本文中，我们将介绍如何使用dom4j来解析HTML文件，以及如何使用它提取所需的信息。

dom4j概述

dom4j是一个基于Java的开源XML解析库，它提供了简单、灵活的API来处理XML文档。dom4j支持XPath查询、DOM、SAX和JAXP等多种解析方式，并提供了丰富的功能来处理XML文档。

dom4j可以通过添加相关依赖来使用。在Maven项目中，可以通过在pom.xml文件中添加以下依赖来使用dom4j：

<dependency>
    <groupId>dom4j</groupId>
    <artifactId>dom4j</artifactId>
    <version>1.6.1</version>
</dependency>

解析HTML文件

要使用dom4j解析HTML文件，我们首先需要将HTML文件加载到dom4j的Document对象中。然后，我们可以使用XPath表达式来查询和提取所需的信息。

首先，我们需要创建一个SAXReader对象，它将负责解析HTML文件。然后，我们使用read()方法将HTML文件加载到Document对象中。以下是一个简单的示例：

import org.dom4j.Document;
import org.dom4j.io.SAXReader;

public class HtmlParser {
    public static void main(String[] args) {
        try {
            // 创建SAXReader对象
            SAXReader reader = new SAXReader();
            // 读取HTML文件并解析为Document对象
            Document document = reader.read("example.html");
            // TODO: 提取所需的信息
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

在上面的示例中，我们使用reader.read()方法将名为example.html的HTML文件加载到Document对象中。

接下来，我们可以使用XPath表达式来查询和提取所需的信息。以下是一个示例，展示了如何使用XPath表达式来提取HTML中的所有链接：

import org.dom4j.Document;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;
import org.dom4j.XPath;

import java.util.List;

public class HtmlParser {
    public static void main(String[] args) {
        try {
            // 创建SAXReader对象
            SAXReader reader = new SAXReader();
            // 读取HTML文件并解析为Document对象
            Document document = reader.read("example.html");
            
            // 创建XPath对象
            XPath xpath = document.createXPath("//a/@href");
            
            // 使用XPath表达式查询所有链接
            List<Element> links = xpath.selectNodes(document);
            for (Element link : links) {
                System.out.println(link.getText());
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

在上面的示例中，我们使用document.createXPath()方法创建了一个XPath对象，并传入XPath表达式"//a/@href"。然后，我们使用XPath对象的selectNodes()方法查询所有链接，并使用getText()方法获取链接的文本。