分享
 
 
 

用Java编写HTML文件分析程序

王朝java/jsp·作者佚名  2005-11-24
窄屏简体版  字體: |||超大  

一、概述

Web服务器的核心是对HTML文件中的各标记(Tag)作出正确的分析,一种编程语言的解

释程序也是对源文件中的保留字进行分析再做解释的。实际应用中,我们也常常会遇到需要

对某一特定类型文件进行关键字分析的情况,比如,需要将某个HTML文件下载并同时下载与

之相关的.gif、.class等文件,此时就要求对HTML文件中的标记进行分离,找出所需的文件

名及目录。在Java出现以前,类似工作需要对文件中的每个字符进行分析,从中找出所需

部分,不仅编程量大,且易出错。笔者在近期的项目中利用Java的输入流类StreamTokenizer

进行HTML文件的分析,效果较好。在此,我们要实现从已知的Web页面下载HTML文件,对

其进行分析后,下载该页面中包含的HTML文件(如果在Frame中)、图像文件和

Class(Java Applet)文件。

二、StreamTokenizer类

StreamTokenizer即令牌化输入流的作用是将一个输入流变成令牌流。令牌流中的令牌

实体有三类:单词(即多字符令牌)、单字符令牌和空白(包括Java和C/C++中的说明语句)。

StreamTokenizer类的构造器为:

StreamTokenizer(InputStream in)

该类有一些公有实例变量:ttype、sval和nval ,分别表示令牌类型、当前字符串值和当

前数字值。当我们需要取得令牌(即HTML中的标记)之间的字符时,应访问变量sval,而读向

下一个令牌的方法是调用nextToken()。方法nextToken()的返回值是int型,共有四种可能

的返回:

StreamTokenizer.TT_NUMBER: 表示读到的令牌是数字,数字的值是double型,可以从实

例变量nval中读取。

StreamTokenizer.TT_WORD: 表示读到的令牌是非数字的单词(其他字符也在其中),

单词可以从实例变量sval中读取。

StreamTokenizer.TT_EOL: 表示读到的令牌是行结束符。

如果已读到流的尽头,则nextToken()返回TT_EOF。

开始调用nextToken()之前,要设置输入流的语法表,以便使分析器辨识不同的字符。

WhitespaceChars(int low, int hi)方法定义没有意义的字符的范围。

WordChars(int low, int hi)方法定义构造单词的字符范围。

三、程序实现

1.HtmlTokenizer类的实现

对某个令牌流进行分析之前,首先应对该令牌流的语法表进行设置,在本例中,即是让

程序分出哪个单词是HTML的标记。下面给出针对我们需要的HTML标记的令牌流类定义,

quote:

--------------------------------------------------------------------------------

它是StreamTokenizer的子类:

import java.io.*;

import java.lang.String;

class HtmlTokenizer extends StreamTokenizer {

//定义各标记,这里的标记仅是本例中必须的,

可根据需要自行扩充 static int HTML_TEXT=-1;

static int HTML_UNKNOWN=-2;

static int HTML_EOF=-3;

static int HTML_IMAGE=-4;

static int HTML_FRAME=-5;

static int HTML_BACKGROUND=-6;

static int HTML_APPLET=-7;

boolean outsideTag=true; //判断是否在标记之中

//构造器,定义该令牌流的语法表。

public HtmlTokenizer(BufferedReader r) {

super(r);

this.resetSyntax(); //重置语法表 this.wordChars(0,255); //令牌范围为全部字符 this.ordinaryChar(’<’); //HTML标记两边的分割符 this.ordinaryChar(’>’);

} //end of constructor

public int nextHtml(){

int token; //令牌

try{

switch(token=this.nextToken()){

case StreamTokenizer.TT_EOF:

//如果已读到流的尽头,则返回TT_EOF

return HTML_EOF;

case ’<’: //进入标记字段

outsideTag=false;

return nextHtml();

case ’>’: //出标记字段

outsideTag=true;

return nextHtml();

case StreamTokenizer.TT_WORD:

//若当前令牌为单词,判断是哪个标记

if (allWhite(sval))

return nextHtml();//过滤其中空格 else if(sval.toUpperCase().indexOf

("FRAME")!=-1 &&!outsideTag) //标记FRAME

return HTML_FRAME;

else if(sval.toUpperCase().indexOf("IMG")!

=-1 &&!outsideTag) //标记IMG

return HTML_IMAGE;

else if(sval.toUpperCase().indexOf

("BACKGROUND")!=-1 &&!outsideTag)

//标记BACKGROUND

return HTML_BACKGROUND;

else if(sval.toUpperCase().indexOf

("APPLET")!=-1 &&!outsideTag) //标记APPLET

return HTML_APPLET;

default:

System.out.println ("Unknown tag: "+token);

return HTML_UNKNOWN;

} //end of case

}catch(IOException e){

System.out.println("Error:"+e.getMessage());}

return HTML_UNKNOWN;

} //end of nextHtml

protected boolean allWhite(String s){ //过滤所有空格 //实现略

}// end of allWhite

} //end of class

--------------------------------------------------------------------------------

2.HTML文件分析和下载程序

利用上面自行编写的令牌化流,下面即可对HTML文件加以分析,并下载所有相关文件。

本例中使用以字节为单位下载文件的方法,而非按字符下载,目的是可以下载不同类型的

文件(如JPG或CLASS类型的文件)。限于篇幅,仅给出部分实现方法。

//分析HTML文件

quote:

--------------------------------------------------------------------------------

void getIt(){

String filename;

String theUrl; // HTML文件的URL地址

String tmpFileName;

StringTokenizer st;

String tmp=null;

FileInputStream fin;

InputStreamReader in;

BufferedReader reader=null;

int tagType;

//变量theUrl表示该HTML页面的位置

if(theUrl.toUpperCase().endsWith("HTML") ||

theUrl.toUpperCase().endsWith("HTM")){

try{

fin=new FileInputStream(theCurrentPath+filename);

//读入该HTML文件

in=new InputStreamReader(fin);

reader=new BufferedReader(in);

}catch(FileNotFoundException e){

System.out.println(e.getMessage());}

HtmlStream=new HtmlTokenizer(reader);

//生成类HtmlTokenizer的实例读该令牌流,并做分析 while((tagType=HtmlStream.nextHtml())!=HtmlStream.HTML_EOF){

if(tagType==HtmlStream.HTML_IMAGE){ // 标记<IMG>

st=new StringTokenizer(HtmlStream.sval,“”);

//sval即“<IMG”之后直到下一标记之间的字符 while(st.hasMoreTokens()){

tmp=st.nextToken();

if(tmp.toUpperCase().trim().startsWith(“SRC")){

tmpPath=tmp.substring(tmp.indexOf(“’)+1,

tmp.lastIndexOf(‘/’)); //取该图形文件存放的相对目录

tmpFileName=tmpPath.substring(tmpPath.indexOf(‘/’)+1);

//取文件名 catchHtmlFile(theUrl,tmpPath,tmpFileName); //下载该文件

} //end of if

} //end of while

} //end of if

else if(tagType==HtmlStream.HTML_FRAME){

// 处理同上,取出各框架中的HTML文件名,分别下载。

} //end of else if

else if(tagType==HtmlStream.HTML_BACKGROUND){

//略

} //end of the first while

}//end of first if

} //end of getIt

//下载HTML文件,并存放在相应的本地目录下

private void catchHtmlFile

(String currentUrl,String thePath,String theFileName){

FileOutputStream fs=null;

InputStream in=null;

DataOutputStream ds=null;

File dir;

int ch;

final int BUFFER=2048; //输入缓冲区长度

byte buff[]=new byte[BUFFER];

try{

url=new URL(currentUrl); //建立与目标文件的连接

uc=url.openConnection();

}catch(MalformedURLException e){

System.out.println(“Malformed URL String!");}

catch(IOException e){

System.out.println(e.getMessage());}

try{

in=uc.getInputStream();

}catch(IOException e){

System.out.println(e.getMessage());}

try{

dir=new File(thePath);

if(!dir.exists()) //判断本地目录是否存在

dir.mkdir();

File file=new File(thePath,theFileName);

fs=new FileOutputStream((thePath+theFileName),false);

}catch(FileNotFoundException e){

System.out.println

(“File cannot be set up:"+thePath+theFileName);}

catch(IOException e){

System.out.println(e.getMessage());}

ds=new DataOutputStream(fs);

try{

while((ch=in.read(buff))!=-1) //读入字节,并写入本地文件

ds.write(buff,0,ch);

}catch(IOException e){

System.out.println(e.getMessage());}

try{

in.close();

ds.close();

}catch(IOException e){

System.out.println(“Error in closing I/O Stream!");}

}//end of catchHtmlFile

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
2023年上半年GDP全球前十五强
 百态   2023-10-24
美众议院议长启动对拜登的弹劾调查
 百态   2023-09-13
上海、济南、武汉等多地出现不明坠落物
 探索   2023-09-06
印度或要将国名改为“巴拉特”
 百态   2023-09-06
男子为女友送行,买票不登机被捕
 百态   2023-08-20
手机地震预警功能怎么开?
 干货   2023-08-06
女子4年卖2套房花700多万做美容:不但没变美脸,面部还出现变形
 百态   2023-08-04
住户一楼被水淹 还冲来8头猪
 百态   2023-07-31
女子体内爬出大量瓜子状活虫
 百态   2023-07-25
地球连续35年收到神秘规律性信号,网友:不要回答!
 探索   2023-07-21
全球镓价格本周大涨27%
 探索   2023-07-09
钱都流向了那些不缺钱的人,苦都留给了能吃苦的人
 探索   2023-07-02
倩女手游刀客魅者强控制(强混乱强眩晕强睡眠)和对应控制抗性的关系
 百态   2020-08-20
美国5月9日最新疫情:美国确诊人数突破131万
 百态   2020-05-09
荷兰政府宣布将集体辞职
 干货   2020-04-30
倩女幽魂手游师徒任务情义春秋猜成语答案逍遥观:鹏程万里
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案神机营:射石饮羽
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案昆仑山:拔刀相助
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案天工阁:鬼斧神工
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案丝路古道:单枪匹马
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:与虎谋皮
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:李代桃僵
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:指鹿为马
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案金陵:小鸟依人
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案金陵:千金买邻
 干货   2019-11-12
 
推荐阅读
 
 
 
>>返回首頁<<
 
靜靜地坐在廢墟上,四周的荒凉一望無際,忽然覺得,淒涼也很美
© 2005- 王朝網路 版權所有