它提供了获取标签名(ming)、属(shu)性名、属性值等方法。TextNode类:代表HTML中的文本内容。

基础(chu)的HTML解析：从URL到文本

让我们从最基(ji)础的开始，看看如何使用HTMLParser来解析一个网页并提取其中的文本(ben)内容。

您需要将HTMLParser添加到您的Java项目中。如果您使用Maven，可以在pom.xml中添加如下依赖：

org.htmlparserhtmlparser2.1

我们编写一个简单的Java方(fang)法来解析URL并提取文本：

importorg.htmlparser.Parser;importorg.htmlparser.util.ParserException;importorg.htmlparser.nodes.TextNode;importorg.htmlparser.nodes.CompositeNode;importorg.htmlparser.Node;publicclassHtmlParserExample{publicstaticStringextractTextFromUrl(Stringurl){StringBuildertextContent=newStringBuilder();try{Parserparser=newParser(url);NoderootNode=parser.parse(null);//null表示使用默认的ParserFilter//递归遍历节点，提取文本extractTextRecursively(rootNode,textContent);}catch(ParserExceptione){e.printStackTrace();return"ErrorparsingURL:"+e.getMessage();}returntextContent.toString();}privatestaticvoidextractTextRecursively(Nodenode,StringBuildertextContent){if(nodeinstanceofTextNode){textContent.append(((TextNode)node).getText()).append("\n");}elseif(nodeinstanceofCompositeNode){Node[]children=node.getChildrenAsNodeArray();if(children!=null){for(Nodechild:children){extractTextRecursively(child,textContent);}}}}publicstaticvoidmain(String[]args){StringwebsiteUrl="http://example.com";//替换为您想解析的URLStringextractedText=extractTextFromUrl(websiteUrl);System.out.println("ExtractedText:\n"+extractedText);}}

在(zai)这(zhe)个例子中，我们首先(xian)创建一(yi)个Parser对象，然后调用parse(null)方法来解析URL。parser.parse(null)返回的是(shi)整个文档(dang)的根节点。接着，我们定(ding)义了一个递归方法extractTextRecursively来遍历(li)文档树。

当遇到TextNode时，我们就将其文本内容添加到textContent中。

这段代码展示了HTMLParser的基(ji)本用法，它能够将一个完整的HTML页面“翻译”成可读的文本。这对于快速预览网页内容或者进行简单的文本分析非(fei)常有用(yong)。这仅仅是(shi)HTMLParser冰山一角(jiao)。在接下来的部分，我们(men)将深入挖(wa)掘它更强(qiang)大的功能，让您能够精确地定位并提取您所需的数据。

定位与提取：精准(zhun)抓(zhua)取您需要的信息

在实际应用中(zhong)，我们通常不(bu)会想要提取网页的全部文本，而是需要精确地定位到特定的元素，例如所有的链接、特定class的div、或者某个id的元素。HTMLParser提供了强大的过(guo)滤(lv)和查找机制，让这种精确(que)操作变得触手可及。

1.使用(yong)NodeFilter进(jin)行精确匹配

HTMLParser的核心过滤机制是NodeFilter接口。您可以实现这个接口，定义自己的过滤规则，来选择您感兴趣的(de)节点。最常用的NodeFilter实现类是TagNameFilter（按(an)标签(qian)名过滤）和AndFilter（组合多个(ge)过滤器）。