求救 java解析html

求救，java用哪个类可以解析html里面的标签啊，例如我要解析html里面的<a href=""></a>，用哪个类啊？

解决方案 »

  1.   

    比如我想获得http://csbbs.soufun.com/2710156784~-2~683/5236858_5236858.htm网址中社区这个标签的联结地址，可以这样
    import java.net.*;
    import java.util.regex.Matcher;
    import java.util.regex.Pattern;
    import java.io.*;
    public class UrlCodeRegex
    {
      public static void main(String[] args)
       {
        try 
        {
            String ur="http://csbbs.soufun.com/2710156784~-2~683/5236858_5236858.htm"; //获取远程网上的信息
            URL MyURL=new URL(ur);
            String str;
            URLConnection con=MyURL.openConnection();
            InputStreamReader ins=new InputStreamReader(con.getInputStream());
            BufferedReader in=new  BufferedReader(ins);
            StringBuffer sb = new StringBuffer();
            while ((str=in.readLine())!=null)
            {  
             sb.append(str);
            }
                in.close();
                
                Pattern p = Pattern.compile(".*<a href=\"(.*)\">社区</a>.*");
         Matcher m  = p.matcher(sb.toString());
         m.matches();
         System.out.println("这个社区的网址是"+m.group(1));
         }
        catch (MalformedURLException mfURLe) {
          System.out.println("MalformedURLException: " + mfURLe);
        }
        catch (IOException ioe) {
          System.out.println("IOException: " + ioe);
        }
      }
    }
      

  2.   

    JDK自带的javax.swing.text.html.parser这个包
      

  3.   

    或者这个更好
     /**
     * 此程序是获得网页源代码中某个关键字的链接网址，
     * 如<a href="http:\\www.sina.com" target="blank">新浪</a>
     */
    import java.net.*;
    import java.util.regex.Matcher;
    import java.util.regex.Pattern;
    import java.io.*;
    public class UrlCodeRegex
    {
      public static void main(String[] args)
       {
        try 
        {
            String ur="http://csbbs.soufun.com/2710156784~-2~683/5236858_5236858.htm"; //获取远程网上的信息
            URL MyURL=new URL(ur);
            String str;
            URLConnection con=MyURL.openConnection();
            InputStreamReader ins=new InputStreamReader(con.getInputStream());
            BufferedReader in=new  BufferedReader(ins);
            StringBuffer sb = new StringBuffer();
            while ((str=in.readLine())!=null)
            {  
             sb.append(str);
            }
                in.close();
                
                  Pattern p = Pattern.compile(".*<a href=\"(http://([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?)\".*>社区</a>.*");
         Matcher m  = p.matcher(sb.toString());
         m.matches();
         System.out.println("这个社区的网址是"+m.group(1));
         }
        catch (MalformedURLException mfURLe) {
          System.out.println("MalformedURLException: " + mfURLe);
        }
        catch (IOException ioe) {
          System.out.println("IOException: " + ioe);
        }
      }
    }
      

  4.   

    用  javax.xml.parsers.SAXParser
    自己写个 handler 就好了！ 像这样 public static void main(String[] args)throws Exception{ SAXParserFactory factory = SAXParserFactory.newInstance();
    factory.setNamespaceAware(true);
    SAXParser parser = factory.newSAXParser();
    URL url = new URL("xxxx");//xxxx is you URL
    URLConnection con = url.openConnection();
    MyHandler myhandler = new MyHandler();
    parser.parse(con.getInputStream(), myhandler);
    System.out.println(myhandler.list);
    }class MyHandler extends DefaultHandler{
    public ArrayList list = new ArrayList();
    public void startElement(String s, String s1, String s2,
    Attributes attributes) throws SAXException {
    if(s.equals("a")||s1.equals("a")){
    list.add(attributes.getValue("href"));
    }
    }
    }
      

  5.   

    我刚才测试了下
    这样解析有点漏洞：  要求html必须是一个规范的xml格式  基本上的网页都不符合  我想 7楼的解析 可能要好些 
      

  6.   

    import org.htmlparser.NodeFilter;
    import org.htmlparser.Parser;
    import org.htmlparser.filters.TagNameFilter;
    import org.htmlparser.tags.TableTag;
    import org.htmlparser.util.NodeList;public class ExtractTable { static String html = "<html><head></head><body>"
       + "<table><tr><td>hello table</td></tr></table> <table><tr><td>hello table<a href=http://www.baidu.com>tt</a></td></tr></table>  "
       + "</body></html>";//这里是html的内容 //static String html = "http://www.baidu.com";

     public static void test5(String resource) throws Exception {
      Parser myParser = new Parser(resource);
      // Parser parser = new Parser(content);
      // 设置编码
      myParser.setEncoding("utf-8");
      //String filterStr = "table";//这里析取得是标签为table的元素
     String filterStr="table";
      NodeFilter filter = new TagNameFilter(filterStr);//过滤这个标签
      NodeList nodeList = myParser.extractAllNodesThatMatch(filter);//抽取所有table列表
      for (int i = 0; i < nodeList.size(); i++) {
       TableTag tabletag = (TableTag) nodeList.elementAt(i);
       System.out.println(tabletag.toHtml());//打印出来
      
      } } /**
      * @param args
      * @throws Exception
      */
     public static void main(String[] args) throws Exception {
      // TODO Auto-generated method stub
      test5(html);//当然这里可以写成一个链接地址比如将html代替为"http://www.baidu.com"
     }}
    在String filterStr="table";这里，我把filterStr改为filterStr="a";为什么报错了啊？？