当前位置：移动技术网 > IT编程>开发语言>Java > 解析得到除去标签的txt内容

解析得到除去标签的txt内容

2017年12月12日 | 移动技术网IT编程 | 我要评论

nodelist body_nodes=this.getparser().parse(body_filter); 
for(int i=0;i<body_nodes.size();i++) 
{ 
node node=body_nodes.elementat(i); 

parser body_parser=new parser(node.tohtml()); 
textextractingvisitor visitor=new textextractingvisitor(); 
body_parser.visitallnodeswith(visitor); 
body.append(visitor.getextractedtext()); 
} 

textextractingvisitor，visitallnodeswith等类及方法都是visitor中比较很重要但也很少见的。
下面附源代码：

复制代码代码如下:

import java.io.bufferedwriter; 
import java.io.file; 
import java.io.filewriter; 
import java.io.ioexception; 
import java.util.date; 

import org.htmlparser.node; 
import org.htmlparser.nodefilter; 
import org.htmlparser.parser; 
import org.htmlparser.filters.andfilter; 
import org.htmlparser.filters.hasattributefilter; 
import org.htmlparser.filters.haschildfilter; 
import org.htmlparser.filters.tagnamefilter; 
import org.htmlparser.util.nodelist; 
import org.htmlparser.visitors.textextractingvisitor; 

import com.extractor.extractor; 

public class extractorhangdian extends extractor{ 
public void extract() 
{ 
bufferedwriter bw=null; 
string indextime; 
string title; 
stringbuffer body=new stringbuffer();; 
nodefilter time_filter=new andfilter(new tagnamefilter("font"),new hasattributefilter("color","#808080")); 
nodefilter title_filter1=new andfilter(new tagnamefilter("td"),new haschildfilter(new tagnamefilter("b"))); 
nodefilter body_filter=new andfilter(new tagnamefilter("td"),new haschildfilter(new tagnamefilter("p"))); 

try 
{ 
nodelist title_nodes=this.getparser().parse(title_filter1); 
node node=title_nodes.elementat(0); 
nodelist node2=node.getchildren(); 
//title=node2.elementat(0).tohtml(); /* '\r\n' */ 
//title=node2.elementat(1).tohtml(); /*font color="#000080" style="font-size:14.4px*/ 
//title=node2.elementat(2).tohtml(); /* b */ 
title=node2.elementat(3).tohtml(); /* 教材征订及教师用书登记通知 */ 


bw=new bufferedwriter(new filewriter(new file(this.getoutputpath()+title+".txt"))); 

string url_seg1=getinputfilepath().substring(3,30); 
int end=getinputfilepath().lastindexof("."); 
string url_seg2=getinputfilepath().substring(30, end); 
string url_seg=url_seg1+".asp?"+url_seg2; 
url_seg=url_seg.replaceall("\\\\","/"); 
string url="http://"+url_seg; 

bw.write(url+newline); 
bw.write(title+newline); 


} 
catch(exception e) 
{ 
e.printstacktrace(); 
} 

this.getparser().reset(); 
try 
{ 
nodelist time_nodes=this.getparser().parse(time_filter); 
node time_node=time_nodes.elementat(1);//这里的“1”表示符合time_filter的第二个元素 
indextime=time_node.getnextsibling().tohtml(); 

bw.write(indextime+newline); 
} 
catch(exception e) 
{ 
e.printstacktrace(); 
} 

this.getparser().reset();//得到除去标签的所有txt文本 
try 
{ 
nodelist body_nodes=this.getparser().parse(body_filter); 
for(int i=0;i<body_nodes.size();i++) 
{ 
node node=body_nodes.elementat(i); 

parser body_parser=new parser(node.tohtml()); 
textextractingvisitor visitor=new textextractingvisitor(); 
body_parser.visitallnodeswith(visitor); 
body.append(visitor.getextractedtext()); 
} 
bw.write(body+newline); 

} 
catch(exception e) 
{ 
e.printstacktrace(); 
} 

try 
{ 
if(bw!=null) 
bw.close(); 
}catch(ioexception e) 
{ 
e.printstacktrace(); 
} 
} 
} 