Извлечение текста от Java HTML
Я использовал интерфейсы время от времени, и вот мое последнее использование (имена были обобщены):
у меня есть набор пользовательских элементов управления на WinForm, который должен сохранить данные к моему бизнес-объекту. Один подход должен назвать каждое управление отдельно:
myBusinessObject.Save(controlA.Data);
myBusinessObject.Save(controlB.Data);
myBusinessObject.Save(controlC.Data);
проблема с этой реализацией состоит в том, что любое время, я добавляю управление, в которое я должен войти мой, "Сохраняют Данные" метод и добавляют новое управление.
я изменил свои средства управления для реализации интерфейса ISaveable, который имеет метод, SaveToBusinessObject (...) поэтому теперь мой "Сохраняют Данные" метод, просто выполняет итерации посредством средств управления и если это находит тот, который является ISaveable, это называет SaveToBusinessObject. Таким образом, теперь то, когда новое управление необходимо, все, что кто-то должен сделать, реализовать ISaveable в том объекте (и никогда не касаться другого класса).
foreach(Control c in Controls)
{
ISaveable s = c as ISaveable;
if( s != null )
s.SaveToBusinessObject(myBusinessObject);
}
часто неосуществленное преимущество для интерфейсов - то, что Вы локализуете модификации. После того, как определенный, Вы будете редко изменять полный поток приложения, но Вы будете часто вносить изменения на уровне детализации. Когда Вы сохраните детали в конкретных объектах, изменение в ProcessA не будет влиять на изменение в ProcessB. (Базовые классы также приносят Вам эту пользу.)
РЕДАКТИРОВАНИЕ: Другое преимущество является спецификой в действиях. Как в моем примере, все, что я хочу сделать, сохраняют данные; я не забочусь, какое управление это или если это может сделать что-либо еще - я просто хочу знать, могу ли я сохранить данные в управлении. Это делает мой код сохранения довольно ясным - нет никаких проверок, чтобы видеть, является ли это текст, числовой, булев или безотносительно потому что пользовательский элемент управления обрабатывает все это.
6 ответов
jericho - один из нескольких возможных синтаксических анализаторов HTML. это может сделать эту задачу простой и безопасной.
JTidy может представлять HTML-документ (даже уродливый) как модель документа, что делает процесс извлечения содержимого тега более элегантным процессом, чем ручное преобразование через необработанный текст.
Попробуйте (если вы не хотите использовать библиотеку парсера HTML):
FileReader fileReader = new FileReader(file);
BufferedReader buffRd = new BufferedReader(fileReader);
BufferedWriter out = new BufferedWriter(new FileWriter(newFile.txt));
String s;
int writeTo = 0;
while ((s = br.readLine()) !=null)
{
if(s.contains("<p>"))
{
writeTo = 1;
try
{
out.write(s);
}
catch (IOException e)
{
}
}
if(s.contains("</p>"))
{
writeTo = 0;
try
{
out.write(s);
}
catch (IOException e)
{
}
}
else if(writeTo==1)
{
try
{
out.write(s);
}
catch (IOException e)
{
}
}
}
Я успешно использовал TagSoup и XPath для синтаксического анализа HTML.
Возможно, вы просто используете неправильный инструмент для работы:
perl -ne "print if m|<p>| .. m|</p>|" infile.txt >outfile.txt
Используйте ParserCallback. Это простой класс, включенный в JDK. Он уведомляет вас каждый раз, когда обнаруживается новый тег, а затем вы можете извлечь текст тега. Простой пример:
import java.io.*;
import java.net.*;
import javax.swing.text.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;
public class ParserCallbackTest extends HTMLEditorKit.ParserCallback
{
private int tabLevel = 1;
private int line = 1;
public void handleComment(char[] data, int pos)
{
displayData(new String(data));
}
public void handleEndOfLineString(String eol)
{
System.out.println( line++ );
}
public void handleEndTag(HTML.Tag tag, int pos)
{
tabLevel--;
displayData("/" + tag);
}
public void handleError(String errorMsg, int pos)
{
displayData(pos + ":" + errorMsg);
}
public void handleMutableTag(HTML.Tag tag, MutableAttributeSet a, int pos)
{
displayData("mutable:" + tag + ": " + pos + ": " + a);
}
public void handleSimpleTag(HTML.Tag tag, MutableAttributeSet a, int pos)
{
displayData( tag + "::" + a );
// tabLevel++;
}
public void handleStartTag(HTML.Tag tag, MutableAttributeSet a, int pos)
{
displayData( tag + ":" + a );
tabLevel++;
}
public void handleText(char[] data, int pos)
{
displayData( new String(data) );
}
private void displayData(String text)
{
for (int i = 0; i < tabLevel; i++)
System.out.print("\t");
System.out.println(text);
}
public static void main(String[] args)
throws IOException
{
ParserCallbackTest parser = new ParserCallbackTest();
// args[0] is the file to parse
Reader reader = new FileReader(args[0]);
// URLConnection conn = new URL(args[0]).openConnection();
// Reader reader = new InputStreamReader(conn.getInputStream());
try
{
new ParserDelegator().parse(reader, parser, true);
}
catch (IOException e)
{
System.out.println(e);
}
}
}
Итак, все, что вам нужно сделать, это установить логический флаг при обнаружении тега абзаца. Затем в методе handleText () вы извлекаете текст.