java解析html網頁js方法（java解析html字符串）

本文目錄一覽：

• 1、java中幾種解析html的工具
• 2、怎麼用java解析html頁面里的javascript? 有一些網頁里包含了很多的javascript腳本。
• 3、使用java怎麼讀取html文件內容

java中幾種解析html的工具

HTML分析是一個比較複雜的工作，Java世界主要有幾款比較方便的分析工具：

1.Jsoup 

Jsoup是一個集強大和便利於一體的HTML解析工具。它方便的地方是，可以用於支持用jQuery中css selector的方式選取元素，這對於熟悉js的開發者來說基本沒有學習成本。

String content = “blabla”;

Document doc = JSoup.parse(content);

Elements links = doc.select(“a[href]”);

Jsoup還支持白名單過濾機制，對於網站防止XSS攻擊也是很好的。

2.HtmlParser

HtmlParser的功能比較完備，也挺靈活，但談不上方便。這個項目很久沒有維護了，最新版本是2.1。HtmlParser的核心元素是Node，對應一個HTML標籤，支持getChildren()等樹狀遍歷方式。HtmlParser另外一個核心元素是NodeFilter，通過實現NodeFilter接口，可以對頁面元素進行篩選。這裡有一篇HtmlParser的使用文章：使用 HttpClient 和 HtmlParser 實現簡易爬蟲。

3.Apache tika

tika是專為抽取而生的工具，還支持PDF、Zip甚至是Java Class。使用tika分析HTML，需要自己定義一個抽取內容的Handler並繼承org.xml.sax.helpers.DefaultHandler，解析方式就是xml標準的方式。crawler4j中就使用了tika作為解析工具。SAX這種流式的解析方式對於分析大文件很有用，我個人倒是認為對於解析html意義不是很大。

InputStream inputStream = null;

HtmlParser htmlParser = new HtmlParser();

htmlParser.parse(new ByteArrayInputStream(page.getContentData()),

contentHandler, metadata, new ParseContext());

4.HtmlCleaner與XPath

HtmlCleaner最大的優點是：支持XPath的方式選取元素。XPath是一門在XML中查找信息的語言，也可以用於抽取HTML元素。XPath與CSS Selector大部分功能都是重合的，但是CSS Selector專門針對HTML，寫法更簡潔，而XPath則是通用的標準，可以精確到屬性值。XPath有一定的學習成本，但是對經常需要編寫爬蟲的人來說，這點投入絕對是值得的。

怎麼用java解析html頁面里的javascript? 有一些網頁里包含了很多的javascript腳本。

你可以使用谷歌瀏覽器或者火狐瀏覽器，使用f12鍵，打開頁面調試功能，它顯示的就是經過JavaScript執行後的頁面，但是並不是所有的JavaScript執行後的頁面，也為某些JavaScript的執行需要鼠標或者其他的事件發生以後才會執行，比如onclick、onmouseover等等，ie也有f12的功能，但是用起來不是很方便

使用java怎麼讀取html文件內容

java可以使用jsoup、htmlparser等工具進行html的讀取和解析，以下是詳細說明：

1、jsoup 是一款 Java 的HTML 解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似於JQuery的操作方法來取出和操作數據。據說它是基於MIT協議發佈的。

jsoup的主要功能如下：

從一個URL，文件或字符串中解析HTML；

使用DOM或CSS選擇器來查找、取出數據；

可操作HTML元素、屬性、文本；

示例代碼：

Document doc = Jsoup.parse(input, “UTF-8”, “”);

Element content = doc.getElementById(“content”);

Elements links = content.getElementsByTag(“a”);

for (Element link : links) {

String linkHref = link.attr(“href”);

String linkText = link.text();

}