您当前的位置:首页 > 电脑百科 > 程序开发 > 语言 > JAVA

HTML解析利器Jericho

时间:2023-04-23 16:55:48  来源:今日头条  作者:Esgoon

Jericho html Parser是一个开源JAVA库,允许分析和操作HTML文档,包括服务器端标记,例如ASP、JSP、php等语言标记也是可以解析识别的。作为一款小而美的HTML解析工具,它的整个jar包大小只有不到200KB,这使得它不仅可以被用于有需要的服务器端程序,也可以被用于移动设备例如Android App中。目前最新版本为3.4。

 

1.官方网址

http://jericho.htmlparser.NET/docs/index.html

 

2.下载地址

https://sourceforge.net/projects/jerichohtml/

 

3.特性

虽然体积不大,但其提供了非常丰富的针对HTML文档的解析功能,相比于其他的HTML解析工具,Jericho有以下特点:

  • 过滤掉任何无法识别的或无效的 HTML,使得解析不规则HTML的容错性好。
  • 可以识别并解析服务器标记语言ASP、JSP、PHP,即使普通HTML中有这些标记,仍然可以正确解析。
  • 一个使用StreamedSource类的基于流的解析选项,它允许使用事件迭代器对大文件进行内存高效处理。
  • 它既不是基于事件的解析器,也不是基于树的解析器,而是使用简单的文本搜索、高效的标签识别和标签位置缓存的组合。
  • 与DOM等基于树的解析器相比,如果只需要解析或修改文档的小部分,那么内存和资源需求会更好。
  • 源文档中每个位置的行号和列号都很容易访问。
  • 可以很容易地定义和注册自定义标记类型,以供解析器识别。
  • 可以从HTML标记中提取所有文本,适用于输入Apache Lucene等文本搜索引擎
  • 格式化HTML源代码,根据元素在文档元素层次结构中的深度缩进元素。
  • 可以删除所有不必要的空白来压缩HTML源代码。

 

我们试着解析Jericho官网:
http://jericho.htmlparser.net/docs/index.html,对应源文件:

 

来看一些简单示例:

public static void mAIn(String[] args) throws MalformedURLException, IOException {
    //jericho官网URL
    String url = "http://jericho.htmlparser.net/docs/index.html";
    Source source = new Source(new URL(url));
    //获取HTML文档encoding属性
    String encoding = source.getEncoding();
    System.out.println(encoding);
    
    //获取HTML文档第一个标签元素
    Element firstElement = source.getFirstElement();
    System.out.println(firstElement);
    
    //获取所有的<H2>标签元素
    List<Element> elements = source.getAllElements(HTMLElementName.H2);
    System.out.println(elements);
    
    //从HTML标记中提取所有文本
    Element firstP = source.getFirstElement(HTMLElementName.P);
    System.out.println("输出标签中的全部文本内容:" + firstP.getTextExtractor());
    
    //获取文档中第一个DIV标签
    StartTag tagDiv = source.getFirstStartTag(HTMLElementName.DIV);
    
    //获取属性tagDiv标记的属性
    Attributes attributes = tagDiv.getAttributes();
    System.out.println("输出标签中的全部属性:" + attributes);
    
    //输出属性名、属性值
    for (Attribute attr : attributes) {
        System.out.println("输出标签中的属性键值:" + attr.getName() + " ===> " + attr.getValue());
    }
    
    //属性替换
    Map<String, String> attributesMap = new HashMap<String, String>();
    attributesMap.put("font-size", "12pt");
    attributesMap.put("style", "background-color:red;width:200px;height:200px");
    OutputDocument output = new OutputDocument(tagDiv);
    System.out.println("替换前:" + output.toString());
    output.replace(attributes, attributesMap);
    System.out.println("替换后:" + output.toString());
    
    //缩进,格式化HTML源文件
    String text = "<table><tr><td></td></tr><tr><td></td></tr></table>";
    Source textSource = new Source(text);
    String formatText = textSource.getSourceFormatter().toString();
    System.out.println("缩进后的内容:");
    System.out.println(formatText);
    
    //去掉空格
    SourceCompactor restoreText = 
            new SourceCompactor(new Segment(new Source(formatText), 0, formatText.length()));
    System.out.println("HTML压缩后:" + restoreText);
}

输出如下:

UTF-8
<?xml version="1.0" encoding="UTF-8"?>
[<h2>Features</h2>, <h2>Sample Programs</h2>, <h2>Building</h2>, <h2>Alternative HTML Parsers</h2>]
输出标签中的全部文本内容:Jericho HTML Parser is a java library allowing analysis and manipulation of parts of an HTML document, including server-side tags, while reproducing verbatim any unrecognised or invalid HTML. It also provides high-level HTML form manipulation functions.
输出标签中的全部属性: style="float: right; margin-left: 20px"
输出标签中的属性键值:style ===> float: right; margin-left: 20px
替换前:<div style="float: right; margin-left: 20px">
替换后:<div font-size="12pt" style="background-color:red;width:200px;height:200px">
缩进后的内容:
<table>
	<tr>
		<td></td>
	</tr>
	<tr>
		<td></td>
	</tr>
</table>

HTML压缩后:<table><tr><td></td></tr><tr><td></td></tr></table>


Tags:Jericho   点击:()  评论:()
声明:本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,不构成投资建议。投资者据此操作,风险自担。如有任何标注错误或版权侵犯请与我们联系,我们将及时更正、删除。
▌相关推荐
HTML解析利器Jericho
Jericho HTML Parser是一个开源Java库,允许分析和操作HTML文档,包括服务器端标记,例如ASP、JSP、PHP等语言标记也是可以解析识别的。作为一款小而美的HTML解析工具,它的整个jar...【详细内容】
2023-04-23  Search: Jericho  点击:(219)  评论:(0)  加入收藏
▌简易百科推荐
Java 8 内存管理原理解析及内存故障排查实践
本文介绍Java8虚拟机的内存区域划分、内存垃圾回收工作原理解析、虚拟机内存分配配置,以及各垃圾收集器优缺点及场景应用、实践内存故障场景排查诊断,方便读者面临内存故障时...【详细内容】
2024-03-20  vivo互联网技术    Tags:Java 8   点击:(14)  评论:(0)  加入收藏
如何编写高性能的Java代码
作者 | 波哥审校 | 重楼在当今软件开发领域,编写高性能的Java代码是至关重要的。Java作为一种流行的编程语言,拥有强大的生态系统和丰富的工具链,但是要写出性能优异的Java代码...【详细内容】
2024-03-20    51CTO  Tags:Java代码   点击:(24)  评论:(0)  加入收藏
在Java应用程序中释放峰值性能:配置文件引导优化(PGO)概述
译者 | 李睿审校 | 重楼在Java开发领域,优化应用程序的性能是开发人员的持续追求。配置文件引导优化(Profile-Guided Optimization,PGO)是一种功能强大的技术,能够显著地提高Ja...【详细内容】
2024-03-18    51CTO  Tags:Java   点击:(25)  评论:(0)  加入收藏
Java生产环境下性能监控与调优详解
堆是 JVM 内存中最大的一块内存空间,该内存被所有线程共享,几乎所有对象和数组都被分配到了堆内存中。堆被划分为新生代和老年代,新生代又被进一步划分为 Eden 和 Survivor 区,...【详细内容】
2024-02-04  大雷家吃饭    Tags:Java   点击:(56)  评论:(0)  加入收藏
在项目中如何避免和解决Java内存泄漏问题
在Java中,内存泄漏通常指的是程序中存在一些不再使用的对象或数据结构仍然保持对内存的引用,从而导致这些对象无法被垃圾回收器回收,最终导致内存占用不断增加,进而影响程序的性...【详细内容】
2024-02-01  编程技术汇  今日头条  Tags:Java   点击:(68)  评论:(0)  加入收藏
Java中的缓存技术及其使用场景
Java中的缓存技术是一种优化手段,用于提高应用程序的性能和响应速度。缓存技术通过将计算结果或者经常访问的数据存储在快速访问的存储介质中,以便下次需要时可以更快地获取。...【详细内容】
2024-01-30  编程技术汇    Tags:Java   点击:(72)  评论:(0)  加入收藏
JDK17 与 JDK11 特性差异浅谈
从 JDK11 到 JDK17 ,Java 的发展经历了一系列重要的里程碑。其中最重要的是 JDK17 的发布,这是一个长期支持(LTS)版本,它将获得长期的更新和支持,有助于保持程序的稳定性和可靠性...【详细内容】
2024-01-26  政采云技术  51CTO  Tags:JDK17   点击:(89)  评论:(0)  加入收藏
Java并发编程高阶技术
随着计算机硬件的发展,多核处理器的普及和内存容量的增加,利用多线程实现异步并发成为提升程序性能的重要途径。在Java中,多线程的使用能够更好地发挥硬件资源,提高程序的响应...【详细内容】
2024-01-19  大雷家吃饭    Tags:Java   点击:(106)  评论:(0)  加入收藏
这篇文章彻底让你了解Java与RPA
前段时间更新系统的时候,发现多了一个名为Power Automate的应用,打开了解后发现是一个自动化应用,根据其描述,可以自动执行所有日常任务,说的还是比较夸张,简单用了下,对于office、...【详细内容】
2024-01-17  Java技术指北  微信公众号  Tags:Java   点击:(97)  评论:(0)  加入收藏
Java 在 2023 年仍然流行的 25 个原因
译者 | 刘汪洋审校 | 重楼学习 Java 的过程中,我意识到在 90 年代末 OOP 正值鼎盛时期,Java 作为能够真正实现这些概念的语言显得尤为突出(尽管我此前学过 C++,但相比 Java 影响...【详细内容】
2024-01-10  刘汪洋  51CTO  Tags:Java   点击:(75)  评论:(0)  加入收藏
相关文章
    无相关信息
站内最新
站内热门
站内头条