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

基础的HTML解析：从URL到文本

让我们从最基础的开始，看看(kan)如何使用HTMLParser来解析一个网页并提取其中(zhong)的文本内容。

您需要将HTMLParser添加到(dao)您的Java项目(mu)中。如(ru)果您使用Maven，可以在pom.xml中添加如下依赖(lai)：

org.htmlparserhtmlparser2.1

我们编写一个简单的Java方法来解析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(di)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(xi)的URLStringextractedText=extractTextFromUrl(websiteUrl);System.out.println("ExtractedText:\n"+extractedText);}}

在这个例子中，我们首先创建一个Parser对象，然后调用parse(null)方法来解析URL。parser.parse(null)返回的是整个文(wen)档的根(gen)节(jie)点(dian)。接着，我们定义了一个(ge)递归方法extractTextRecursively来遍历文档树。

当遇到TextNode时，我们就将其文本内容添加(jia)到textContent中。

这段代码展示了HTMLParser的基本用法，它能够(gou)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常有用。这仅仅是HTMLParser冰山一角。在接下来的部分，我们将(jiang)深入挖掘它更(geng)强大的功能，让您能够精确地定位并提取您所需的数据。

定位与提取：精准抓取您需要的信息

在实际应用中，我们通常不会想要提取(qu)网页的全部文本，而(er)是(shi)需要精确地定位到特定的元素，例如所有的链接、特(te)定class的div、或者某个id的元(yuan)素。HTMLParser提供了强大的过滤和查找机(ji)制，让这种精确操作变得触手可及。

1.使用NodeFilter进行精确匹配

HTMLParser的核心过滤机制是NodeFilter接口。您可(ke)以实现这个接口，定义自己的过滤规则，来选择您感兴趣的节点。最常用(yong)的NodeFilter实现类是TagNameFilter（按标签名过滤）和AndFilter（组合多个过滤器）。