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