lucene 索引HTML文档
深未来技术
1、大部分WEB文档采用HTML格式。
2、本例用如下HTML文档
<html>
<head>
<title>
Laptop power supplies are avaliable in First class only
</title>
</head>
<body>
<h1>code,write,fly</h1>
</body>
</html>
3、使用JTidy
JTidy由Andy Quick编写的Tidy的Java版本。
public class JTidyHTMLHandler implements DocumentHandler{
publicorg.apache.lucene.document.Document getDocument(InputStreamis)
throwsDocumentHandlerException{ //传入一个代表HTML文档的InputStream对象
Tidy tidy=new Tidy();
tidy.setQuiet(true);
tidy.setShowWarnings(false);
//解析代表HTML文档的InputStream对象
org.w3c.dom.Documentroot=tidy.parseDOM(is,null);
ElementrawDoc=root.getDocumentElement();
org.apache.lucene.document.Document doc=neworg.apache.lucene.document.Document();
Stringtitle=getTitle(rawDoc);//获得标题
Stringbody=getBody(rawDoc);//获得<body>和</body>之间所有元素
if((title!=null)&&(!title.equals(""))) {
doc.add(Field.Text("title",title));
}
if((body!=null)&&(!body.equals(""))){
doc.add(Field.Text("body",body));
}
return doc;
}
protected String getTitle(Element rawDoc){
if(rawDoc==null){
returnnull;
}
Stringtitle="";
NodeListchildren=rawDoc.getElementsB
相关文档：
PageReleaser需要一种HTML的压缩算法，Google了很久，发现如果只是简单去除空白和注释的话，使用XLinq就可以轻易的实现 先看看MSDN是怎么说的： 一种常用方案是读取缩进的 XML，在内存中创建一个没有任何空白文本节点（即不保留空白）的 XML 树，对该 XML 执行某些操作，然后保存带缩进的 XML。在序列化带格式的 XML � ......
HTML中使用input type="file"上传文件时，代码中只能得到文件的名称，而有些特殊的需要要求我们必须得到上传文件的绝对路径，为此我们采用Javascript实现得到文件的绝对路径。
具体如下。
页面代码（只粘贴了关键代码）：
<form name="thisform" method="post"
action="<%=request.getContextPath()%>/movi ......
作者：光脚丫思考 时间：12/23/2009 1:51:00 PM
一开始就觉得HTML编辑器这玩意应该是很高深莫测的。随随便便就想整一个应该不是一件容易的事情。后来对WebBrowser控件有了一些了解，不过都是很肤浅的了解。只知道用这个控件就能够在自己的程序中搞一个WEB浏览器之类的东西，从来没有想过HTML编辑器也可以使用这个控件来实� ......
Window 对象
Window 对象是 JavaScript 层级中的顶层对象。
Window 对象代表一个浏览器窗口或一个框架。
Window 对象会在 <body> 或 <frameset> 每次出现时被自动创建。
有关 Window 对象的详细描述。
IE: Internet Explorer, F: Firefox, O: Opera.
Window 对象的集合
CollectionDescriptionIEFO
fr ......
HTML常用符号：
显示一个空格  
< 小于 < <
> 大于 > >
& &符号 & &
" 双引号 " "
其他常用的字符实体(Character Entities)
显示结果 说明 Entity Name Entity Number
? 版权 © ©
? 注册商� ......
