Блог

Главная - Вопросы по программированию - Синтаксический анализ Java Android XPath html

Синтаксический анализ Java Android XPath html

#java #android #html #xpath #html-table

#ява #Android #HTML #xpath #html-таблица #java

Вопрос:

У меня есть приложение, которому нужно взять html и вставить в него некоторые теги.

Мне нужно получить все tr и все td и получить их внутренний текст.

Можете ли вы дать мне код для этого?

Я работаю над этим уже несколько часов…

Содержание веб-сайта является:

 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">    
<!-- Updated: 03/11/2011 15:17:29-->    
<html xmlns="http://www.w3.org/1999/xhtml" >    
<head><title>    
    Untitled Page    
</title><meta http-equiv="Page-Exit" content="progid:DXImageTransform.Microsoft.GradientWipe(duration=1)" /><meta HTTP-EQUIV="CACHE-CONTROL" content="NO-CACHE" /><meta HTTP-EQUIV="PRAGMA" content="NO-CACHE" /><meta http-equiv="refresh" content="60" />    
    <style type="text/css">                
    .DisplayTable { width: 97%; }    
    .DisplayHeader { font-family: Arial; font-weight: bold; font-size: 25px; color: Black; text-align: center; }    
    .DisplayCell { font-family: Arial; font-weight: bold; font-size: 16px; color: Black; }                
    .MessageTable { width: 97%; }    
    .MessageHeader { font-family: Arial; font-size: 20px; color: SteelBlue; border-bottom: solid 3px SteelBlue; }    
    .MessageText { font-family: Arial; font-size: 20px; color: SteelBlue; text-align: right; }                
    .DisplayFillChange { font-family: Arial; font-weight: bold; font-size: 16px; color: MediumBlue; background-color: LightCyan; border-bottom: solid 1px LightCyan; }    
    .DisplayFreeChange { font-family: Arial; font-weight: bold; font-size: 16px; color: OrangeRed; background-color: LightCyan; border-bottom: solid 1px LightCyan; }    
    .DisplayEventChange { font-family: Arial; font-weight: bold; font-size: 16px; color: DarkGreen; background-color: LightCyan; border-bottom: solid 1px LightCyan; }    
    .DisplayExamChange { font-family: Arial; font-weight: bold; font-size: 16px; color: IndianRed; background-color: LightCyan; border-bottom: solid 1px LightCyan; }                
    </style>    
</head>    
<body dir="rtl" style="margin: 0px; background-color: LightCyan; overflow: hidden;" scroll="no" onload="resize()">    
    <form name="form1" method="post" action="MainScreen.aspx?pid=17amp;amp;mid=6264amp;amp;page=5amp;amp;msgof=0amp;amp;static=1" id="form1">    
<div>    
<input type="hidden" name="__VIEWSTATE" id="__VIEWSTATE" value="/wEPDwUJLTQwMjA0MzQzZGSqqj0xDnBRKxIgowwhNZzzyzQHVg==" />    
</div>            
        <table width="100%" cellspacing="0" cellpadding="0" border="0" style="background-image: url(fill.gif);">    
            <tr height="59" style="font-family: Arial; font-size: 34px; color: Yellow; vertical-align: middle;">    
                <td width="15">amp;nbsp;</td>    
                <td width="45%" align="right" id="clock">00:00</td>    
                <td align="center" nowrap><b>שינוי מערכת שעות לתאריך                        </b></td>    
                <td width="45%" align="left">04.11.2011</td>    
                <td width="15">amp;nbsp;</td>    
            </tr>    
        </table>    
        <br />    
        <div id="header" align="center"><table width='100%' class='DisplayTable' cellspacing='0' border='1'><tr class='DisplayHeader'><td width='1%' style='color: LightCyan;'>0</td><td width='14%'>יא - 1</td><td width='14%'>יא - 2</td><td width='14%'>יא - 3</td><td width='14%'>יא - 4</td><td width='14%'>יא - 5</td><td width='14%'>יא - 6</td><td width='14%'>יא - 7</td><td width='1%' style='color: LightCyan;'>0</td></tr></table></div>    
        <div id="scrollPanel" align="center" style="overflow: hidden;">    
            <div id="panel" align="center" style=""><table width='100%' class='DisplayTable' cellspacing='0' border='1'><tr><td width='1%' class='DisplayCell'>0</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>0</td></tr><tr><td width='1%' class='DisplayCell'>1</td><td width='14%' class='DisplayCell'><table width='100%'></table></td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>1</td></tr><tr><td width='1%' class='DisplayCell'>2</td><td width='14%' class='DisplayCell'><table width='100%'></table></td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>2</td></tr><tr><td width='1%' class='DisplayCell'>3</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>3</td></tr><tr><td width='1%' class='DisplayCell'>4</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>4</td></tr><tr><td width='1%' class='DisplayCell'>5</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>5</td></tr><tr><td width='1%' class='DisplayCell'>6</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>6</td></tr><tr><td width='1%' class='DisplayCell'>7</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>7</td></tr><tr><td width='1%' class='DisplayCell'>8</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>8</td></tr><tr><td width='1%' class='DisplayCell'>9</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='14%' class='DisplayCell'>amp;nbsp;</td><td width='1%' class='DisplayCell'>9</td></tr></table></div>    
            <div id="messages" align="center"><table width='100%' class='MessageTable' cellspacing='0' cellpadding='7' border='0'><tr><td class='MessageHeader'>הודעות</td></tr></tr></table></div>    
        </div>    
    </form>    
    <script>                
    var sp;    
    var delay = 0;                
    function resize(){    
        sp = document.getElementById('scrollPanel');    
        sp.style.height = document.documentElement.clientHeight - sp.offsetTop;            
        delay = document.getElementById('panel').clientHeight - document.getElementById('scrollPanel').clientHeight;    
        if (delay > 0)    
            delay = delay / 5 * 120;    
        else    
            delay = 0;                    
        setTimeout("doScroll()", 3000);    
        setTimeout("doNextPage()", 500);    
    }                
    function doScroll()    
    {    
        sp.scrollTop  = 5;    
        setTimeout("doScroll()", 100);    
    }                
    updateClock();    
    function nextUrl()    
    {    
        return 'MainScreen.aspx?pid=17amp;mid=6264amp;page=6amp;msgof=0amp;nd=0';    
    }                
    function doNextPage()    
    {                    
    }                
    function updateClock()    
    {    
        document.getElementById('clock').innerHTML = getClock();    
        setTimeout("updateClock()", 55000)    
    }
    function getClock()    
    {    
        var date = new Date();    
        var hours = date.getHours();    
        var minutes = date.getMinutes();                    
        if (hours < 10)    
            hours = '0'   hours;                        
        if (minutes < 10)    
            minutes = '0'   minutes;            
        return hours   ':'   minutes;    
    }    
    </script>    
</body>    
</html>

Ответ №1:

Простым выходом было бы использование библиотеки синтаксического анализа HTML, например HTMLCleaner, TagSoup, HTML Parser и т.д. Таким образом, вы сможете просто извлекать все нужные элементы из документа или повторять его вручную с помощью «посетителя узла» — или как там это называют библиотеки.

Беглый взгляд на документацию случайно выбранной библиотеки, приведенный выше, предполагает, что для HTMLCleaner должно работать что-то вроде следующего:

 HtmlCleaner cleaner = new HtmlCleaner();
TagNode root= cleaner.clean(...);
TagNode[] trNodes= root.getElementsByName("tr");
for (TagNode trNode : trNodes) {
    System.out.println("All text inside this <tr> tag (including children): "   trNode.getText());
}

Пример, использующий ту же библиотеку, но теперь с TagNodeVisitor и отфильтрованный на <td> :

 node.traverse(new TagNodeVisitor() {
    public boolean visit(TagNode tagNode, HtmlNode htmlNode) {
        if (htmlNode instanceof TagNode) {
            TagNode tag = (TagNode) htmlNode;
            String tagName = tag.getName();
            if ("td".equals(tagName)) {
                System.out.println("All text inside this <td> tag (including children): "   tag.getText());
            }
        }
        // tells visitor to continue traversing the DOM tree
        return true;
    }
});

Комментарии:

1. Ну, это здорово, но проблема в том, что мне нужен только один столбец в таблице. Я имею в виду, что мне нужно перейти в каждом tr, например, ко 2-му td. Мой друг сказал мне, что XPath отлично подходит для этого, потому что я могу выбрать td с индексом. Поэтому я попросил решение XPath. Поэтому я был бы рад, если бы вы дали мне код XPath или если бы вы сказали мне, что индексы также возможны с вашим методом. Спасибо!!!

2. Я полагаю, вы могли бы просто вызвать getChildTags() внутри цикла, чтобы получить 2-й <td> внутри <tr> : for (TagNode trNode : trNodes) { TagNode tdNode = trNode.getChildTags[1]; } В качестве альтернативы, оценка XPath также, по-видимому, (частично) поддерживается с помощью evaluateXPath(String) . Смотрите TagNode документацию. Обратите внимание, что это предполагает, что 2-м дочерним элементом будет <td> — вы, вероятно, захотите явно проверить это. // редактировать: извините, кажется, не удается правильно форматировать.

3. Что ж, Iv’e изучил это, и теперь у меня другая проблема… Мне удалось получить все td с индексами, но конкретные td, которые мне нужно найти, на самом деле содержат таблицу (очень глупо, но мое приложение использует уже созданный веб-сайт). когда возникает такая ситуация: <td width='14%' class='DisplayCell'><table width='100%'><tr><td class='DisplayFillChange'>Some Text Here...</td></tr></table></td> мне не удалось создать код для получения текста, но, находясь в режиме отладки, я попытался попасть в эти теги, но в итоге я не смог получить текст, как будто его не существует…