Java HTML Parser应用
最近因为项目需要，研究了java html parser类库的应用。记录下使用要点：
主要的类说明：
1、Parser类
解析器主类，负责载入HTML代码并解析。
2、Node接口
用来表征在解析过程中使用的语法单元。示例如下段html代码：
<span> ----Tag node
text ----Text Node
</span>
文本和标签都是独立的node元素。text文本是标签span的child node
3、NodeFilter
标签过滤器接口，用来在parser或NodeList中过滤出需要的某一类node。
4、NodeList
数据结构，表示Node的集合
需要特别注意的地方：
Parser和NodeList都有一个名为extractAllNodesThatMatch(NodeFilter filter)的方法用来过滤出符合某个条件的node，但是其内部的实现机制不同。
Parser是在解析器的功能基础上使用Iteror实现。每次调用该方法后需要执行reset方法，否则会影响下一次调用的结果。
而NodeList是在内部的数组上进行循环判断，因此各次调用之间不会互相影响，效率也比Parser的高，土建使用。
代码示例：
实现getElementByID功能
<code>
public class NodeIDFilter implements NodeFilter {
private String id;
public NodeIDFilter(String id)
{
this.id=id;
}
public boolean accept(Node node) {
if(node instanceof Tag)
{
if(!((Tag)node).isEndTag())
{
String s=((Tag)node).getAttribute("id");
if(s!=null)
return s.equals(this.id);
}
}
return false;
// throw new UnsupportedOperationException("Not supported yet.");
}
}
public class MHTMLParser
{
....
protected Node getElementById(String id) throws ParserException
{
//this.myparser.reset();
if(this.mNodeList==null||this.mNodeList.size()==0) return null;
NodeIDFilter nodef = new NodeIDFilter(id);
NodeList nl = this.mNodeList.extractAllNodesThatMatch(nodef,true);
//
if (nl.size() != 0)
{
return nl.elementAt(0);
}
return null;
}
}
</code>
相关文档：
最近看到一个有意思的树形结构，为每个节点添加了lft
和
rgt
两个属性。这样查找该节点的子节点、
查找该节点所有父节点，就不用去递归查询，只需要用
between
、
and
语句就可以实现。下面以创建一个栏目树为例，以下是我的理解。
一般来讲，我们创建栏目树的时候，大多只需要一个外键parentid
来区分该节点 ......
Java的字符类型采用的是UTF-16编码方式对Unicode编码表进行表示。其中一个char类型固定2Bytes（16bits）。首先先介绍一下Unicode编码表和UTF-16编码算法：
Unicode编码表的专业术语：
代码点 (code point): 指在Unicode编码表中一个字符所对� ......
一、问题的产生
搜索结果高亮显示，在新闻标题，来源之类的地方好做，只需要用str.Replace(keyword,"<font style=\"color:red;\"" + keyword +"</font>");这样的方法就可实现。
问题在于，在新闻内容里做搜索。其中html标签里可能含有关键字，用上面这种方法，将会替换掉html标签的部分内容，导致新闻内 ......
W3C标准的HTML标签
按功能类别排列
DTD：指示在哪种 XHTML 1.0 DTD 中允许该标签。
S=Strict,严格类型, T=Transitional,过渡类型【最普遍】, F=Frameset,框架类型.
标签成对，xhtml是比html更严格，类似XML格式
标签描述DTD
<!DOCTYPE>
定义文档类型。
STF
<html>
定义 HTML 文档。
STF
< ......
