网页信息抽取

Question

  搜索java html  解析，有不少开源类库。
找问题答案，关键要学会搜索，找准搜索关键词，百度素强大滴

Answer 1

  网络信息采集大师这类软件大多需要收费，还要一个个试合不合用，不如自己做个。
推荐htmlparser,给你个例子
import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;
import org.htmlparser.*;
import org.htmlparser.filters.*;
import org.htmlparser.tags.*;
import org.htmlparser.util.*;public class Test {
private final static Log logger = LogFactory.getLog(Test.class); /**
 * @param args
 *            测试解析html<tb>
 *            <tr>中数据，循环打印 第i个table中的第j个tr,第k个td的内容是((((TableTag)
 *            nodeList.elementAt(i)).getRows()[j]).getColumns()[k]).toPlainTextString()
 *            i,j,k都是从0开始数的
 */
public static void main(String[] args) {
// TODO Auto-generated method stub
try {
Parser parser = new Parser();
NodeList nodeList = null;
parser
.setURL("http://www.xjflcp.com//video/prizeDetail.do?operator=detail187&lotterydraw=2008072");
parser.setEncoding(parser.getEncoding());
NodeFilter tableFilter = new NodeClassFilter(TableTag.class);
OrFilter lastFilter = new OrFilter();
lastFilter.setPredicates(new NodeFilter[] { tableFilter });
nodeList = parser.parse(lastFilter);
 
for (int i = 0; i <= nodeList.size(); i++) {
if (nodeList.elementAt(i) instanceof TableTag) {
TableTag tag = (TableTag) nodeList.elementAt(i);
TableRow[] rows = tag.getRows();
// i是table,j是tr,k是td
for (int j = 0; j < rows.length; j++) {
TableRow tr = (TableRow) rows[j];
TableColumn[] td = tr.getColumns();
for (int k = 0; k < td.length; k++) {
System.out.println("i,j,k是多少：" + i + ":" + j + ":" + k
+ "内容：" + td[k].toPlainTextString());
}
}
}
}


} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
} }
}

Answer 2

有个专业网站，GooSeeker，专门做信息提取产品和服务，同时网站是一个知识库，可以参考