java如何解析html文档呢

Question

用正则表达式，参见java.util.regex包

Answer 1

楼主，我也在被这个问题困扰ing国外有个相关的API，但没有好的实例，我下载了都不知道如何用。如果用正则运算式的话很繁琐，我测试就测试了n年狂晕

Answer 2

就是忽略html代码 显示文本信息的样子
我下载了htmlparser 但是不知道怎么用 请问有什么例子吗？

Answer 3

用JTidy开源包，他提供了DOM 和SAX接口来解析html数据。

Answer 4

NodeList list=parser.parse(NodeFilter);
里面的参数怎么办呢

Answer 5

用javax.swing.text.html包
下面是一个例子给你看看：
import javax.swing.text.html.HTMLEditorKit$ParserCallback;
import javax.swing.text.html.*;
import javax.swing.text.*;
import com.pdcss.debug.*;
import java.util.*;
import javax.swing.text.html.parser.*;
import java.io.*;
import java.net.*;
import com.pdcss.xml.*;
import com.pdcss.debug.DebugOut;
public class HTMLToXML {
  /**
   * document对象
   */
  org.w3c.dom.Document newDoc;
  /**
   * 根结点对象
   */
  private org.w3c.dom.Element root;  /**
   * 是否忽略<img>标签
   */
  private boolean ignoreImg=true;  /**
   * 设置是否忽略按钮标签
   */
  private boolean ignoreButton=true;  /**
   * 文件路径
   */
  private String filePath;  /**
   * 是否调用了函数parse()
   */
  private boolean isParse=false;  /**
   * 处理结果可接受的html tagname,如果不在这个表里面则忽略掉这个元素
   */
  private ArrayList acceptedTags;  public HTMLToXML(String filePath) {
    this.filePath=filePath;
    newDoc = XmlParser.buildNewDocument();
    root= newDoc.createElement("HTMLToXML");
    newDoc.appendChild(root);    //增加可接受的元素的tag
    acceptedTags=new ArrayList(5);
    acceptedTags.add(HTML.Tag.INPUT);
    acceptedTags.add(HTML.Tag.TEXTAREA);
    acceptedTags.add(HTML.Tag.SELECT);
  }  /**
   * 开始解析
   */
  private void parse(){
    HTMLEditorKit.Parser parser = new ParserDelegator();
    HTMLEditorKit.ParserCallback callback = new MyParserCallback();
    try {
      URL u = new File(filePath).toURL();
      InputStream in = u.openStream();
      InputStreamReader reader = new InputStreamReader(in);
      parser.parse(reader, callback, false);
      reader.close();
    }
    catch (IOException e) {
    }
    isParse=true;  }  /**
   * 返回创建好的Document对象
   * @return
   */
  public org.w3c.dom.Document getXmlDocument(){
    if(isParse==false){
      parse();
      isParse=true;
    }
    return this.newDoc;
  }  /**
   * 返回标准的xml字符串
   * @return
   */
  public String getXmlStr(){
    if(isParse==false){
      parse();
      isParse=true;
    }
    return XmlParser.elementToString(root);
  }  /**
   * 设置是否忽略img标签
   * @param isIgnore
   */
  public void setIgnoreImg(boolean isIgnore){
    ignoreImg=isIgnore;
    if(ignoreImg==true){
      acceptedTags.remove(HTML.Tag.IMG);
    }else{
      if(!acceptedTags.contains(HTML.Tag.IMG)){
        acceptedTags.add(HTML.Tag.IMG);
      }
    }
  }  public boolean getIgnoreImg(){
    return ignoreImg;
  }  /**
   * 设置是否忽略button标签
   * @param isIgnore
   */
  public void setIgnoreButton(boolean isIgnore){
    ignoreButton=isIgnore;
  }
  private class MyParserCallback extends HTMLEditorKit.ParserCallback {
   public void handleStartTag(HTML.Tag tag, MutableAttributeSet attributes,   int position)  {
     handleTag(tag, attributes, position);
    }    public void handleSimpleTag(HTML.Tag tag, MutableAttributeSet attributes, int position) {
      handleTag(tag, attributes, position);
    }    private void handleTag(HTML.Tag tag, MutableAttributeSet attributes, int position){
      if(!acceptedTags.contains(tag)){
        return;
      }
      if(ignoreButton==true){
        if (tag == HTML.Tag.INPUT) {
          String type = attributes.getAttribute(HTML.Attribute.TYPE).toString();
          //不是按钮
          if (type != null){
            if (type.equalsIgnoreCase("button") || type.equalsIgnoreCase("submit") || type.equalsIgnoreCase("reset")) {
              return;
            }
          }
        }
      }
      org.w3c.dom.Element newElement = newDoc.createElement(tag.toString());
      Enumeration enum = attributes.getAttributeNames();
      Object attributeName;
      while (enum.hasMoreElements()) {
        attributeName = enum.nextElement();
        newElement.setAttribute(attributeName.toString(), attributes.getAttribute(attributeName).toString());
      }
      root.appendChild(newElement);    }
  }}

Answer 6

非常感谢fmzhangfm ：）
可是偶要用的是htmlparser拉 
8是这个