HTML parsen

[der_micbur]

Hallo,

ich habe als Input eine HTML-Datei. Dort sind Tabellen drin. Die Zeilen, die mich interessieren, habe ich schon herausgefiltert. Nun weiß ich aber leider nicht, die ich den (Text-)Inhalt der Tabellenzellen, die mich interessieren, herausbekomme. Ich weiß, dass es Zelle 3 und 4 ist, da drin steht dann aber noch ggf. HTML-Code, der weg muss.

Ich dachte, es gäbe schon einen HTML-Parser, aber ich habe keinen gefunden.
Was kann ich noch machen, außer mühseelig alles mit Stringoperationen zu zerschnipseln??


Ciao micbur

 

[Roar]

benutze JDOM: http://jdom.org
damit geht's eifnacherer.

 

[Beni]

Es gibt schon einen Parser, er ist nur nicht so schön mit "HMTL" angeschrieben :wink:

 

[semi]

Du kannst den Parser von HTMLEditorKit verwenden. Schau Dir die Beschreibung zu
HTMLEditorKit.ParserCallback in der API-Doku an.

Hier ein Beispiel (Gibt alle definierten Links einer Seite aus)

import java.io.BufferedReader;
import java.io.FileReader;
import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.HTML;
import javax.swing.text.html.parser.ParserDelegator;

public class LinkParser 
{
  public static void main(String[] argv)
  {
    HTMLEditorKit.ParserCallback callback =
     new HTMLEditorKit.ParserCallback () {
       public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
         if(t == HTML.Tag.A)
           System.out.println(a.getAttribute(HTML.Attribute.HREF));
       }
     };
    try {
      BufferedReader reader = new BufferedReader(new FileReader(argv[0]));
      new ParserDelegator().parse(reader, callback, false);
    }
    catch(Exception e) {
     e.printStackTrace();
    }
  }
}

Gruß,
Michael

 

[Bleiglanz]

ich nehme z.B. JTidy bei nicht-sauberem code (DOM funktioniert nur, wenn das ding XHTML ist..!)

            Tidy tidy = new Tidy();
            tidy.setQuiet(true);
            tidy.setDropEmptyParas(true);
            tidy.setDropFontTags(true);
            tidy.setMakeClean(true);
            tidy.setWord2000(true);
            Document doc = tidy.parseDOM(url.openStream(), null);

doc ist dann ein W3C DOM Objekt "den Schrott so gut wie möglich in einen Baum legen" und du kannst dann mit

           NodeList rows = doc.getElementsByTagName("tr");

alle Zeilen rausholen (hilft dir aber nur, wenn du ein bisschen xml und xpath kennst)

 

[AlArenal]

Am einfachsten ist es eigentlich mit Perl. Da gibts im CPAN ein HTML-Table-Extract-Modul. Damit hatte ich seinerzeit für ne Website eines DEL-Klubs die Tabelle und Spielerstatistiken der DEL übernehmen lassen...

 

[Bleiglanz]

in access importieren geht auch, wenn das layout nicht zu kompliziert ist

 

[meez]

http://htmlparser.sourceforge.net/

 

[Roar]

hmm JTidy sieht wirklich gut aus...