Cobra: Java HTML 解析器

一起学习

Cobra 简介:
Cobra是一个HTML工具包。它包含一个纯Java HTML DOM 分析器和一个页面表现引擎。Cobra支持HTML4,Javascript 和CSS2。声明的新特征有:

1. 实现了W3C HTML DOM Level 2接口。
2. 能够解析某些浏览器所识别的 "street HTML"。
3. 能够在headless模式中被使用。
4. 当文档被解析时,对于Dom修改提供incremental notifications。
5. 提供增量地修改Dom的方式,比如,设置一个页面元素的 "innerHTML" 属性。
6. 识别Javascript.解析过程中对Dom的修改能够在结果Dom中反映出来，另外能实现对Javascript的禁用。
7. 识别css2。

使用方法:
推荐做法是通过DocumentBuilderImpl类来使用Cobra HTML parser，如下所示：

import org.lobobrowser.html.parser.*;
import org.lobobrowser.html.test.*;
import org.lobobrowser.html.*;
import org.w3c.dom.*;
...
UserAgentContext context = new SimpleUserAgentContext();
DocumentBuilderImpl dbi = new DocumentBuilderImpl(context);
//指定文档URI和字符集合
Document document = dbi.parse(new InputSourceImpl(inputStream, documentURI, charset));

import org.lobobrowser.html.parser.*;

import org.lobobrowser.html.test.*;

import org.lobobrowser.html.*;

import org.w3c.dom.*;

...

UserAgentContext context = new SimpleUserAgentContext();

DocumentBuilderImpl dbi = new DocumentBuilderImpl(context);

//指定文档URI和字符集合

Document document = dbi.parse(new InputSourceImpl(inputStream, documentURI, charset));

HtmlParser类也能被直接使用，尤其是在第三方Dom的实现中，或者在某个比较特殊的Dom节点(引用innerHTML属性的地方)下解析HTML:

import org.lobobrowser.html.parser.*;
import org.lobobrowser.html.test.*;
import org.lobobrowser.html.*;
import org.w3c.dom.*;
import org.w3c.dom.html2.*;
...
UserAgentContext context = new SimpleUserAgentContext();
DocumentBuilderImpl dbi = new DocumentBuilderImpl(context);
HTMLDocument document = (HTMLDocument) dbi.createDocument();
...
HtmlParser parser = new HtmlParser(context, document);
parser.parse(myReader, someParentNode);

import org.lobobrowser.html.parser.*;

import org.lobobrowser.html.test.*;

import org.lobobrowser.html.*;

import org.w3c.dom.*;

import org.w3c.dom.html2.*;

...

UserAgentContext context = new SimpleUserAgentContext();

DocumentBuilderImpl dbi = new DocumentBuilderImpl(context);

HTMLDocument document = (HTMLDocument) dbi.createDocument();

...

HtmlParser parser = new HtmlParser(context, document);

parser.parse(myReader, someParentNode);

性能贴士
远程脚本和css文档载入速度对解析器的性能影响显著，有两种提高性能的方法:

1. 禁用Javascripte 或 css
2. 启用某些缓存机制

相关信息
本文所涉及内容在 Cobra 0.98.1 版本中均有体现,相关下载信息和API文档:
SourceForge下载地址
Api文献

TAG: html parser

下载本文示例代码


Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器 Cobra: Java HTML 解析器