复制代码 代码如下:

NodeList body_nodes=this.getParser().parse(body_filter);

for(int i=0;i<body_nodes.size();i++)

{

Node node=body_nodes.elementAt(i);

Parser body_parser=new Parser(node.toHtml());

TextExtractingVisitor visitor=new TextExtractingVisitor();

body_parser.visitAllNodesWith(visitor);

body.append(visitor.getExtractedText());

}

TextExtractingVisitor，visitAllNodesWith等类及方法都是Visitor中比较很重要但也很少见的。

下面附源代码：

复制代码 代码如下:

import java.io.BufferedWriter;

import java.io.File;

import java.io.FileWriter;

import java.io.IOException;

import java.util.Date;

import org.htmlparser.Node;

import org.htmlparser.NodeFilter;

import org.htmlparser.Parser;

import org.htmlparser.filters.AndFilter;

import org.htmlparser.filters.HasAttributeFilter;

import org.htmlparser.filters.HasChildFilter;

import org.htmlparser.filters.TagNameFilter;

import org.htmlparser.util.NodeList;

import org.htmlparser.visitors.TextExtractingVisitor;

import com.extractor.Extractor;

public class ExtractorHangdian extends Extractor{

public void extract()

{

BufferedWriter bw=null;

String indextime;

String title;

StringBuffer body=new StringBuffer();;

NodeFilter time_filter=new AndFilter(new TagNameFilter("font"),new HasAttributeFilter("color","#808080"));

NodeFilter title_filter1=new AndFilter(new TagNameFilter("td"),new HasChildFilter(new TagNameFilter("b")));

NodeFilter body_filter=new AndFilter(new TagNameFilter("td"),new HasChildFilter(new TagNameFilter("p")));

try

{

NodeList title_nodes=this.getParser().parse(title_filter1);

Node node=title_nodes.elementAt(0);

NodeList node2=node.getChildren();

//title=node2.elementAt(0).toHtml(); /* 'rn' */

//title=node2.elementAt(1).toHtml(); /*font color="#000080".txt")));

String url_seg1=getInputFilePath().substring(3,30);

int end=getInputFilePath().lastIndexOf(".");

String url_seg2=getInputFilePath().substring(30, end);

String url_seg=url_seg1+".asp?"+url_seg2;

url_seg=url_seg.replaceAll("","/");

String url="http://"+url_seg;

bw.write(url+NEWLINE);

bw.write(title+NEWLINE);

}

catch(Exception e)

{

e.printStackTrace();

}

this.getParser().reset();

try

{

NodeList time_nodes=this.getParser().parse(time_filter);

Node time_node=time_nodes.elementAt(1);//这里的“1”表示符合time_filter的第二个元素

indextime=time_node.getNextSibling().toHtml();

bw.write(indextime+NEWLINE);

}

catch(Exception e)

{

e.printStackTrace();

}

this.getParser().reset();//得到除去标签的所有txt文本

try

{

NodeList body_nodes=this.getParser().parse(body_filter);

for(int i=0;i<body_nodes.size();i++)

{

Node node=body_nodes.elementAt(i);

Parser body_parser=new Parser(node.toHtml());

TextExtractingVisitor visitor=new TextExtractingVisitor();

body_parser.visitAllNodesWith(visitor);

body.append(visitor.getExtractedText());

}

bw.write(body+NEWLINE);

}

catch(Exception e)

{

e.printStackTrace();

}

try

{

if(bw!=null)

bw.close();

}catch(IOException e)

{

e.printStackTrace();

}

}

}

这里顺便提一下，当年bw没有关掉，怎么读不进去，搞了我好几天，郁闷死了，想起来就火大，注意！！