RegEx mit HTML Parser für Java möglich?

Pharadox

Mitglied
Hi,

ich habe aktuelle ein Problem und finde keine Lösung.

Ich möchte folgendes realisieren:

1. Es gibt eine Webseite im Netz (HTML) auf der sich ein immer wiederkehrendes HTML-Konstrukt befindet, so:

<html>
...
<div id="1"><p>Schwefel</p><a href="#abc1">Link</a></div>
<div id="2"><p>Gold</p><a href="#ihl2">Link</a></div>
...
<div id="50"><p>Eisen</p><a href="#efd50">Link</a></div>
...
</html>

2. Jedes Konstrukt möchte ich auf einen gewissen Wert - den ich vorher angebe - prüfen.
Also wenn ich vorher sage, ich möchte nach Gold suchen, soll jedes Konstrukt durchsucht werden nach Gold und die Position zurückgegeben werden.
Im Beispiel wäre Gold an der 50. Stelle gefunden worden.


Das Problem ist, auch einen Browser (User Agent) zu simulieren.

Mit PHP würde ich mit cURL die Seite auslesen und mit einer RegluarExpression überprüfen.

Aber wie löse ich das mit Java?
Kann ich sowas mit einem HTML Parser durchführen?
Jericho
HTML Parser


Ich hoffe Ihr könnt mir näheres dazu sagen, vllt. hat der ein oder andere schonmal so etwas gemacht?


Besten Dank und einen schönen Tag.
Grüße
 
Geht es einfach nur um die Position im Text? Da brauchst du weder einen Parser, noch RegEx: [japi]String#indexOf(java.lang.String)[/japi]
 
Hi,

ne, leider nicht so einfach.

Im Idealfall (vllt geht es auch einfacher) habe ich alle sich wiederholenden HTML-Strukturelemente in einem/r Array/Hashmap, also so in etwa:
Java:
...
     [1]=>{"p-Tag"="Schwefel", "a-Tag"="Link"},
     [2]=>{"p-Tag"="Gold", "a-Tag"="Link"},
     ....
     [50]=>{"p-Tag"="Eisen", "a-Tag"="Link"},
     ....
...

Dann gehe ich den/die Array/Hashmap durch und schau wann der gesuchte Begriff auftaucht:
(Pseudocode)
Java:
String suchbegriff = "gold";
Int i = 0;
for( i <= elements.length ){
   if( suchbegriff.equals( elements[i]['p-Tag'] ) ){
        break;
   }else
        continue;
}
Position der Fundstelle ist 2.

Ich hoffe das ist verständlicher!?

Beste Grüße
 
Naja, verständlich ist es nur mit der Hintergedanken, dass im 1. Post nicht Gold an der 50. Stelle zu finden sei, sondern Eisen.

HTML-Parser ist schon die richtige Richtung. Falls der HTML-Code wirklich so aussieht wie es oben steht, dann kannst du es auch als normales XML parsen, Beispiele gibt es im Netz wie Sand am Meer.
 
Wenn die Seite nicht zu kompliziert ist, und sich eindeutige Suchstrings finden lassen, hat man mit String.indexOf und String.substring ziemlich gute Chancen. Ich habe selbst schon erfolgreich so gearbeitet:
Zuerst den Anfang (ggfs. das Ende auch) wegschneiden, und dann einen Suchstring definieren, mit dem du ein Element eindeutig finden kannst (dieses kann auch noch Müll enthalten). Somit hast du eine Liste mit deinen Daten und ggfs. Code drin. Dann gehst du noch mal über die Liste und schneidest den unnötigen Code noch weg.

das Ganze funktioniert natürlich nur so lange, wie sich der Teil der Seite nicht ändert, welche du versuchst mit deinem Suchstring zu finden. Also immer statische Elemente suchen, damit du auf die dynamischen Daten zugreifen kannst.
 
Eine subjektive Erfahrung: HTML mit String.indexOf und Co auseinanderzupflücken geht zu einem gewissen Grad, aber es wird schnell ein Krampf. Da kommt dann mal irgendwann die Zeile
<div id="2"><p>Katzen-Gold</p><a href="#ihl2">Link</a></div>
vor, oder es ist anders formatiert oder irgendwelche div-classes angegeben oder sonstwas, und dann wird's schrecklich unübersichtlich. Ich mußte (wollte) auch mal HTML in so ähnlicher Form zerpflücken und analysieren, und habe einige HTML-Parser/Verarbeiter angeschaut und ausprobiert. Von denen, die ich ausprobiert hatte, fand ich den schon verlinkten Jericho HTML Parser für solche Sachen mit Abstand am besten: Er ist sehr robust, leicht zu verwenden, gut dokumentiert, und anhand der Beispiele kann man sich sehr schnell eigene Funktionen basteln.
 
Man kann dafür die WebDrier API von Selenium auch ganz gut "missbrauchen". Hängt davon ab ob Geschwindigkeit ein Kriterium ist.
Ist zwar ein Test-Framework, aber du kommst da ohne Weiteres über z.B. XPath oder einfach die ID an die gewünschten Elemente und die Anwendung ist wirklich kinderleicht. Du nimmst dann am Besten den HTMLUnit-Driver.

Selenium 2.0 and WebDriver &mdash; Selenium Documentation
 
Hi,

erstmal vielen Dank für eure vielen Antworten.

Ich hab da was feines für euch:

Java:
package to.specular.elementposition;

import java.awt.Dimension;
import java.awt.GridBagConstraints;
import java.awt.GridBagLayout;
import java.awt.Insets;
import java.awt.Toolkit;
import java.awt.event.ActionEvent;
import java.awt.event.ActionListener;
import java.awt.event.WindowAdapter;
import java.awt.event.WindowEvent;

import javax.swing.JButton;
import javax.swing.JFrame;
import javax.swing.JLabel;
import javax.swing.JScrollPane;
import javax.swing.JTextArea;
import javax.swing.JTextField;
import javax.swing.UIManager;
import javax.swing.UIManager.LookAndFeelInfo;

import net.htmlparser.jericho.*;
import java.net.*;
import java.io.*;
import java.util.*;

public class init extends JFrame {
	
	private JLabel lblKeyword;
	private JTextField keyword;
	private JButton exec;
	private JScrollPane sp;
	private JTextArea output;
	
	public init(){
		this.setTitle("HTML Element Position");
		this.setResizable(true);
		this.setLayout(new GridBagLayout());
		GridBagConstraints gbc;
		
		this.lblKeyword = new JLabel("Search for:");
		gbc=makeGBC(0, 0, 1, 1);
		gbc.anchor = GridBagConstraints.WEST;
		this.add(this.lblKeyword,gbc);
		this.keyword = new JTextField();
		this.keyword.setText("test");
		gbc=makeGBC(0, 1, 1, 1);
		gbc.fill=GridBagConstraints.HORIZONTAL;
		this.add(this.keyword, gbc);
		this.exec = new JButton("Execute");
		gbc=makeGBC(0, 2, 0, 1);
		gbc.anchor = GridBagConstraints.EAST;
		gbc.fill=GridBagConstraints.BOTH;
		gbc.weightx=1.0;
		gbc.weighty=0.1;
		this.add(this.exec, gbc);
		this.output = new JTextArea();
		gbc=makeGBC(0, 3, 1, 2);
		gbc.fill=GridBagConstraints.BOTH;
		gbc.weightx=1.0;
		gbc.weighty=1.0;
		this.add(this.output, gbc);
		this.sp = new JScrollPane(this.output);
        this.sp.setPreferredSize(new Dimension(500,100));
		gbc = makeGBC(0, 3, 1, 1);
		gbc.fill=GridBagConstraints.BOTH;
		gbc.weightx=1.0;
		gbc.weighty=1.0;
		this.add(this.sp, gbc);
		
		this.exec.addActionListener(
			new ActionListener() {
				public void actionPerformed(ActionEvent e) {
					String pos = getPosition();
					System.out.println("Position: "+pos);
					output.setText( pos );
				}
		});
		
		this.addWindowListener(new WindowAdapter() {
			public void windowClosing(WindowEvent e) {
				System.exit(0);
			}
		});
		this.setPreferredSize(new Dimension(700,600));
		this.pack();
		this.setLocation
		(
				(Toolkit.getDefaultToolkit().getScreenSize().width-this.getWidth())/2,
				(Toolkit.getDefaultToolkit().getScreenSize().height-this.getHeight())/2
		);
		this.setVisible(true);
	}
	
	private String getPosition()
	{
		String urlString = "";
		String result="";
		if( !this.keyword.getText().isEmpty() )
		{
			URL url;
			URLConnection uc;
			StringBuilder parsedContentFromUrl = new StringBuilder();
			
			//File is UTF-8 and HTML charset UTF-8
			//urlString = "http://devcon.pcriot.com/cube/javahtmlparsing/file-utf8_html-utf8.html";
			
			//File is ANSI and HTML charset windows-1250
			//urlString = "http://devcon.pcriot.com/cube/javahtmlparsing/file-ansi_html-windows1250.html";
			
			//File is ISO 8859-2 and HTML charset ISO 8859-1
			urlString = "http://devcon.pcriot.com/cube/javahtmlparsing/file-iso88592_html-iso88591.html";
			
			//
			MicrosoftConditionalCommentTagTypes.register();
			PHPTagTypes.register();
			PHPTagTypes.PHP_SHORT.deregister();
			MasonTagTypes.register();
			
			try{
				url = new URL( urlString );
				uc = url.openConnection();
		        uc.addRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:5.0) Gecko/20100101 Firefox/5.0");
		        uc.setRequestProperty("Content-Type", "application/x-www-form-urlencoded");
		        uc.connect();
		        uc.getInputStream();
		        BufferedInputStream in = new BufferedInputStream(uc.getInputStream());
		        int ch;
		        while ((ch = in.read()) != -1) {
		            parsedContentFromUrl.append((char) ch);
		        }
		        
				Source source = new Source( parsedContentFromUrl );
				
				//result = source.getRenderer().toString();
				result = source.toString();
			}
			catch (Exception e) {
				result = e.toString();
			}
			//
			
			return result;
		}else{
			return "No keyword given";
		}
	}
	
	private GridBagConstraints makeGBC(int gx, int gy, int gw, int gh)
	{
		GridBagConstraints gbc=new GridBagConstraints();
		gbc.gridx=gx;
		gbc.gridy=gy;
		gbc.gridwidth=gw;
		gbc.gridheight=gh;
		gbc.fill=GridBagConstraints.NONE;
		gbc.weightx=0;
		gbc.weighty=0;
		gbc.anchor=GridBagConstraints.CENTER;
		gbc.insets=new Insets(2,2,2,2);
		return gbc;
	}
	
	public static void main(String[] args) {
		try {
		    for (LookAndFeelInfo laf : UIManager.getInstalledLookAndFeels()) {
		        if ("Nimbus".equals(laf.getName())) {
		            UIManager.setLookAndFeel(laf.getClassName());
		            break;
		        }
		    }
		} catch (Exception e) {
		    // If Nimbus is not available, you can set the GUI to another look and feel.
		}
		new init();
	}
}

Das ist mein Test-Programm zum rumspielen. (Benötigt Jericho HTMLParser

Jetzt hab ich zwei Probleme:

1. Encoding:
Ich hab von Zeile 105 - 112 verschiedene HTML Dateien mit unterschiedlichen Codierungen angelegt.
In den Dateien befinden sich auch Sonderzeichen / Umlaute.
Die Umlaute werden nur bei der ISO-8859-1 Datei angezeigt, wieso ist das so?
Ich dachte Java nutzt automatisch UTF-8?

2. In den Dateien habe ich zwischen den <body> Tag ein sich wiederholenden HTML-Block eingebaut, insgesamt 3 Blöcke und jeden möchte ich mit dem Jericho Parser einlesen.
Die Samples und Docs sind gut, aber ich komm nicht drauf wie ich das am geschicktesten machen könnte.

Ihr wisst bestimmt mehr?!
 
Zum Encoding: Das wird offenbar schon falsch gelesen. Es wird ja eine Folge von bytes gelesen, die "bedingungslos" als "chars" angesehen werden. Ein char besteht aber aus 2 bytes, die getrennt betrachtet keinen Sinn ergeben, und nur zusammengenommen das richtige Zeichen bilden.

Wenn man sich den "parsedContentFromUrl" mal ausgibt, sieht man, dass schon DER falsch ist. Mit
Java:
                BufferedInputStream in = new BufferedInputStream(uc.getInputStream());
                ByteArrayOutputStream baos = new ByteArrayOutputStream();
                int ch;
                while ((ch = in.read()) != -1) {
                    baos.write((byte)ch);
                }
                baos.close();
                String st = new String(baos.toByteArray(), "UTF-8")
kommt schonmal (für UTF-8!) der richtige String raus. Zugegeben, ein bißchen beißt sich da die Katze in den Schwanz: Man muss sagen, wie man die bytes decodieren will, um rauszufinden, dass dort irgendwo zwischendrin dieses [c]...content="text/html; charset=utf-8"[/c] steht :autsch: Aber vielleicht hilft's als Ansatz....


Meinst du mit den drei Blöcken die drei
<li class="g w0" style="margin-bottom:16px;">
Blöcke? Sollten die nicht in einem <ul>-Tag stehen, oder macht das nichts?
 

Zurück
Oben