HTML解析利器Jericho

Jericho HTML Parser是一个开源Java库，允许分析和操作HTML文档，包括服务器端标记，例如ASP、JSP、PHP等语言标记也是可以解析识别的。作为一款小而美的HTML解析工具，它的整个jar包大小只有不到200KB，这使得它不仅可以被用于有需要的服务器端程序，也可以被用于移动设备例如Android App中。目前最新版本为3.4。

1.官方网址

http://jericho.htmlparser.net/docs/index.html

2.下载地址

https://sourceforge.net/projects/jerichohtml/

3.特性

虽然体积不大，但其提供了非常丰富的针对HTML文档的解析功能，相比于其他的HTML解析工具，Jericho有以下特点：

• 过滤掉任何无法识别的或无效的 HTML，使得解析不规则HTML的容错性好。
• 可以识别并解析服务器标记语言ASP、JSP、PHP,即使普通HTML中有这些标记，仍然可以正确解析。
• 一个使用StreamedSource类的基于流的解析选项，它允许使用事件迭代器对大文件进行内存高效处理。
• 它既不是基于事件的解析器，也不是基于树的解析器，而是使用简单的文本搜索、高效的标签识别和标签位置缓存的组合。
• 与DOM等基于树的解析器相比，如果只需要解析或修改文档的小部分，那么内存和资源需求会更好。
• 源文档中每个位置的行号和列号都很容易访问。
• 可以很容易地定义和注册自定义标记类型，以供解析器识别。
• 可以从HTML标记中提取所有文本，适用于输入Apache Lucene等文本搜索引擎。
• 格式化HTML源代码，根据元素在文档元素层次结构中的深度缩进元素。
• 可以删除所有不必要的空白来压缩HTML源代码。

我们试着解析Jericho官网：
http://jericho.htmlparser.net/docs/index.html，对应源文件：

来看一些简单示例：

public static void main(String[] args) throws MalformedURLException, IOException {
    //jericho官网URL
    String url = "http://jericho.htmlparser.net/docs/index.html";
    Source source = new Source(new URL(url));
    //获取HTML文档encoding属性
    String encoding = source.getEncoding();
    System.out.println(encoding);
    
    //获取HTML文档第一个标签元素
    Element firstElement = source.getFirstElement();
    System.out.println(firstElement);
    
    //获取所有的<H2>标签元素
    List<Element> elements = source.getAllElements(HTMLElementName.H2);
    System.out.println(elements);
    
    //从HTML标记中提取所有文本
    Element firstP = source.getFirstElement(HTMLElementName.P);
    System.out.println("输出标签中的全部文本内容：" + firstP.getTextExtractor());
    
    //获取文档中第一个DIV标签
    StartTag tagDiv = source.getFirstStartTag(HTMLElementName.DIV);
    
    //获取属性tagDiv标记的属性
    Attributes attributes = tagDiv.getAttributes();
    System.out.println("输出标签中的全部属性：" + attributes);
    
    //输出属性名、属性值
    for (Attribute attr : attributes) {
        System.out.println("输出标签中的属性键值：" + attr.getName() + " ===> " + attr.getValue());
    }
    
    //属性替换
    Map<String, String> attributesMap = new HashMap<String, String>();
    attributesMap.put("font-size", "12pt");
    attributesMap.put("style", "background-color:red;width:200px;height:200px");
    OutputDocument output = new OutputDocument(tagDiv);
    System.out.println("替换前：" + output.toString());
    output.replace(attributes, attributesMap);
    System.out.println("替换后：" + output.toString());
    
    //缩进，格式化HTML源文件
    String text = "<table><tr><td></td></tr><tr><td></td></tr></table>";
    Source textSource = new Source(text);
    String formatText = textSource.getSourceFormatter().toString();
    System.out.println("缩进后的内容：");
    System.out.println(formatText);
    
    //去掉空格
    SourceCompactor restoreText = 
            new SourceCompactor(new Segment(new Source(formatText), 0, formatText.length()));
    System.out.println("HTML压缩后：" + restoreText);
}

输出如下：

UTF-8
<?xml version="1.0" encoding="UTF-8"?>
[<h2>Features</h2>, <h2>Sample Programs</h2>, <h2>Building</h2>, <h2>Alternative HTML Parsers</h2>]
输出标签中的全部文本内容：Jericho HTML Parser is a java library allowing analysis and manipulation of parts of an HTML document, including server-side tags, while reproducing verbatim any unrecognised or invalid HTML. It also provides high-level HTML form manipulation functions.
输出标签中的全部属性： style="float: right; margin-left: 20px"
输出标签中的属性键值：style ===> float: right; margin-left: 20px
替换前：<div style="float: right; margin-left: 20px">
替换后：<div font-size="12pt" style="background-color:red;width:200px;height:200px">
缩进后的内容：
<table>
	<tr>
		<td></td>
	</tr>
	<tr>
		<td></td>
	</tr>
</table>

HTML压缩后：<table><tr><td></td></tr><tr><td></td></tr></table>