Posted on 2007-11-22 12:35
dennis 阅读(1151)
评论(1) 编辑 收藏 所属分类:
java 、
my open-source
客户要求从Internet上的网页上抽取一定的数据,用来显示或者其他用户,这个需求很常见。这两天我们也遇到了这个需求,本来我一开始想是试用正则表达式去匹配需要的文本数据,后来经验丰富的经理给出了一个更好的思路,就是使用
jtidy将不符合xhtml的HTML文件转化成标准的xhtml文件——本质上就是XML文件,然后利用xsl抽取并转换成我们所需要的数据的一定格式的xml文件。这样做其实就是将XSL模板当正则表达式来用,不过更清晰,当网页改变时也不需要重新编译代码,仅仅修改XSL模板就够了。过程如下:
html->xhtml--xsl-->数据xml
做的过程中,初次使用了xsl,xpath等技术,网上找了不少好资料,共享下:
jtidy:
思路来源
http://www.ibm.com/developerworks/cn/xml/x-wbdm/
项目地址
http://jtidy.sourceforge.net/
参考,解决中文问题使用
http://www.blogjava.net/jhengfei/archive/2006/03/25/37312.html
xsl,非常系统教程和实践:
http://www.cnblogs.com/goody9807/category/36016.html
xpath:
http://www.yesky.com/201/171201.shtml