htmlparser lexer解析网页源代码

有时候我们在解析网页源代码时需要的不是整个页面的源代码，而是其中的文本内容，这时可以使用htmlparser这个开源工具来进行相应的操作。下面是一个例子，这个例子比较简单，主要是理解这个工具中的一些类的作用：
[javascript] 
public static String html2Text() { 
        ConnectionManager manager; 
        Lexer lexer; 
        Node node; 
        manager = Page.getConnectionManager(); 
        StringBuilder textSB = new StringBuilder(); 
        StringBuilder tagSB = new StringBuilder(); 
        StringBuilder remarkSB = new StringBuilder(); 
        //StringBuilder abstractSB = new StringBuilder(); 
        try { 
            lexer = new Lexer(manager.openConnection("http://www.baidu.com")); 
            while ((node = lexer.nextNode()) != null) { 
                if (node instanceof TextNode) { 
                    textSB.append(node.toHtml()); 
                } else if (node instanceof TagNode) { 
                    tagSB.append(node.toHtml()); 
                } else if (node instanceof RemarkNode) { 
                    remarkSB.append(node.toHtml()); 
                } else if (node instanceof AbstractNode) { 
                    //abstractSB.append(node.toHtml()); 
                } 
            } 
            return textSB.toString() + "/r/n" + "--------" + tagSB.toString() 
                    + "/r/n" + "--------" + remarkSB.toString() + "/r/n" 
                    + "-------"  
                    //+ abstractSB.toString() 
                    ; 
        } catch (Exception e) { 
            throw new RuntimeException(); 
        } 
    }    www.2cto.com
下面来分析一下这个工具中的一些主要的类：
ConnctionManger是进行连接网页的一个类，Lexer可以通过构造函数传递一个URLConnection，这时就可以获得网页的内容，Lexer就像是一个包装器，将网页的内容包装起来，然后可以通过Lexer中的方法进行网页的内容获取。Lexer的nextNode就是开始获取网页的节点了，返回的Node类被AbstractNode所实现，并且TextNode，TagNode，RemarkNode是AbstractNode的子类。TextNode是网页中的所有文本节点，TagNode是网页中的所有标签节点，RemarkNode是网页中的所有注释节点。AbstractNode中提供了访问网页的开始位置和结束位置，子节点的父节点和子节点的list等方法。所以在TextNode，TagNode，RemarkNode中也可以使用这些方法来获取相应的信息。
作者：uohzoaix