《正则表达式HTMLParser使用详解.ppt》由会员分享，可在线阅读，更多相关《正则表达式HTMLParser使用详解.ppt（80页珍藏版）》请在三一办公上搜索。
1、Java正则表达式入门+HTMLParser使用详解,一、Java正则表达式入门 众所周知，在程序开发中，难免会遇到需要匹配、查找、替换、判断字符串的情况发生，而这些情况有时又比较复杂，如果用纯编码方式解决，往往会浪费程序员的时间及精力。因此，学习及使用正则表达式，便成了解决这一矛盾的主要手段。大家都知道，正则表达式是一种可以用于模式匹配和替换的规范，一个正则表达式就是由普通的字符（例如字符a到z）以及特殊字符（元字符）组成的文字模式，它 用以描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。自从jdk1.4推出包，就为我们提供了很好
2、的JAVA正则表达式应用平台。,说明,转义符,a,f,响铃符=x07,换页符=x0C，换页符,n,响铃符=x07，换行(u000A),r,回车符=x0D，回车(u000D),t,制表符=x09，间隔(u0009),v,垂直制表符=x0B,e,ESC 符=x1B，Escape,x20,使用两位十六进制表示形式，可与该编号的字符匹配,u002B,使用四位十六进制表示形式，可与该编号的字符匹配,x20A060,使用任意位十六进制表示形式，可与该编号的字符匹配,说明,字符,$,匹配输入字符串的开始位置。要匹配 字符本身，请使用,匹配输入字符串的结尾位置。要匹配“$”字符本身，请使用“$”,(),标记一
3、个子表达式的开始和结束位置。要匹配小括号，请使用(和),用来自定义能够匹配 多种字符 的表达式。要匹配中括号，请使用 和,修饰匹配次数的符号。要匹配大括号，请使用 和,.,匹配除了换行符（n）以外的任意一个字符。要匹配小数点本身，请使用.,?,修饰匹配次数为 0 次或 1 次。要匹配?字符本身，请使用?,+,修饰匹配次数为至少 1 次。要匹配+字符本身，请使用+,*,修饰匹配次数为 0 次或任意次。要匹配*字符本身，请使用*,|,左右两边表达式之间 或 关系。匹配|本身，请使用|,说明,字符集合,.,w,小数点可以匹配除了换行符（n）以外的任意一个字符,可以匹配任何一个字母或者数字或者下划线，
4、单独字符 a-zA-Z_0-9,W,W大写，可以匹配任何一个字母或者数字或者下划线以外的字符，非单独字符 a-zA-Z_0-9,s,可以匹配空格、制表符、换页符等空白字符的其中任意一个，空白符号 tnx0Bfr,S,S大写，可以匹配任何一个空白字符以外的字符，非空白符号tnx0Bfr,d,可以匹配任何一个 09 数字字符，数字 等价于0-9,D,D大写，可以匹配任何一个非数字字符，非数字 等价于0-9,字符集合可以匹配“多个字符”其中任意一个字符的正则表达式。虽然是“多个字符”，但每次只能匹配其中一个。DEELX 正则表达式中标准的字符集合有：,说明,限定符,n,m,n,表达式固定重复n次，比
5、如：w2 相当于 ww,表达式尽可能重复n次，至少重复m次：ba1,3可以匹配 ba或baa或baaa,m,表达式尽可能的多匹配，至少重复m次：“wd2,”可以匹配a12,x456.,?,表达式尽可能匹配1次，也可以不匹配，相当于 0,1,+,表达式尽可能的多匹配，至少匹配1次，相当于 1,*,表达式尽可能的多匹配，最少可以不匹配，相当于 0,匹配次数限定符使被修饰的表达式可多次重复匹配的修饰符。可使被修饰的表达式重复固定次数，也可以限定一定的重复匹配的次数范围。在限定符之后的表达式能够匹配成功的情况下，不定次数的限定符总是尽可能的多匹配。如果之后的表达式匹配失败，限定符可适当“让出”能够匹配
6、的字符，以使整个表达式匹配成功。这种模式就叫“贪婪模式”。,说明,限定符,m,n?,m,?,表达式尽量只匹配m次，最多重复n次。,表达式尽量只匹配m次，最多可以匹配任意次。,?,表达式尽量不匹配，最多匹配1次，相当于 0,1?,+?,表达式尽量只匹配1次，最多可匹配任意次，相当于 1,?,*?,表达式尽量不匹配，最多可匹配任意次，相当于 0,?,“勉强模式”限定符：在限定符之后添加问号(?)，则使限定符成为“勉强模式”。勉强模式的限定符，总是尽可能少的匹配。如果之后的表达式匹配失败，勉强模式也可以尽可能少的再匹配一些，以使整个表达式匹配成功。,说明,限定符,m,n+,m,+,表达式尽可能重复n
7、次，至少重复m次。,表达式尽可能的多匹配，至少重复m次。,?+,表达式尽可能匹配1次，也可以不匹配，相当于 0,1+,+,表达式尽可能的多匹配，至少匹配1次，相当于 1,+,*+,表达式尽可能的多匹配，最少可以不匹配，相当于 0,+,“占有模式”限定符：在限定符之后添加加号(+)，则使限定符成为“占有模式”。占有模式的限定符，总是尽可能多的匹配。与“贪婪模式”不同的是，即使之后的表达式匹配失败，“占有模式”也不会“让出”自己能够匹配的字符。,转义字符 Q.E使用 Q 开始，E 结束，可使中间的标点符号失去特殊意义，将中间的字符作为普通字符。例如：Q(a+b)*3E 可匹配文本“(a+b)*3”
8、。,因为正则表达式是一个很庞杂的体系，所以我仅例举些入门的概念，更多的请参阅相关书籍及自行摸索。,b 一个单词的边界B 一个非单词的边界G 前一个匹配的结束为限制开头java 条件限制为以Java为开头字符$为限制结尾java$条件限制为以java为结尾字符.条件限制除n以外任意一个单独字符java.条件限制为java后除换行外任意两个字符加入特定限制条件a-z 条件限制在小写a to z范围中一个字符A-Z 条件限制在大写A to Z范围中一个字符a-zA-Z 条件限制在小写a to z或大写A to Z范围中一个字符,0-9 条件限制在小写0 to 9范围中一个字符0-9a-z 条件限制在
9、小写0 to 9或a to z范围中一个字符0-9a-z 条件限制在小写0 to 9或a to z范围中一个字符(交集)中加入后加再次限制条件a-z 条件限制在非小写a to z范围中一个字符A-Z 条件限制在非大写A to Z范围中一个字符a-zA-Z 条件限制在非小写a to z或大写A to Z范围中一个字符0-9 条件限制在非小写0 to 9范围中一个字符0-9a-z 条件限制在非小写0 to 9或a to z范围中一个字符0-9a-z 条件限制在非小写0 to 9或a to z范围中一个字符(交集)在限制条件为特定字符出现0次以上时，可以使用*J*0个以上J.*0个以上任意字符,J.
10、*D J与D之间0个以上任意字符在限制条件为特定字符出现1次以上时，可以使用+J+1个以上J.+1个以上任意字符J.+D J与D之间1个以上任意字符在限制条件为特定字符出现有0或1次以上时，可以使用?JA?J或者JA出现限制为连续出现指定次数字符aJ2 JJJ3 JJJ文字a个以上，并且a,J3,JJJ,JJJJ,JJJJJ,?(3次以上J并存),文字个以上，b个以下a,bJ3,5 JJJ或JJJJ或JJJJJ两者取一|J|A J或AJava|Hello Java或Hello()中规定一个组合类型比如，我查询index中间的数据，可写作+href=?(*)?*(.+?)在使用Ppile函数时，
11、可以加入控制正则表达式的匹配行为的参数：Pattern Ppile(String regex,int flag),flag的取值范围如下：Pattern.CANON_EQ 当且仅当两个字符的正规分解(canonical decomposition)都完全相同的情况下，才认定匹配。比如用了这个标志之后，表达式au030A会匹配?。默认情况下，不考虑规 范相等性(canonical equivalence)。Pattern.CASE_INSENSITIVE(?i)默认情况下，大小写不明感的匹配只适用于US-ASCII字符集。这个标志能让表达式忽略大小写进行匹配。要想对Unicode字符进行大小不明
12、感的匹 配，只要将UNICODE_CASE与这个标志合起来就行了。Pattern.COMMENTS(?x)在这种模式下，匹配时会忽略(正则表达式里的)空格字符,(译者注：不是指表达式里的s，而是指表达式里的空格，tab，回车之类)。注释从#开始，一直到这行结束。可以通过嵌入式的标志来启用Unix行模式。Pattern.DOTALL(?s)在这种模式下，表达式.可以匹配任意字符，包括表示一行的结束符。默认情况下，表达式.不匹配行的结束符。Pattern.MULTILINE(?m)在这种模式下，和$分别匹配一行的开始和结束。此外，仍然匹配字符串的开始，$也匹配字符串的结束。默认情况下，这两个表达式
13、仅仅匹配字符串的开始和结束。Pattern.UNICODE_CASE(?u)在这个模式下，如果你还启用了CASE_INSENSITIVE,*,标志，那么它会对Unicode字符进行大小写不明感的匹配。默认情况下，大小写不敏感的匹配只适用于US-ASCII字符集。Pattern.UNIX_LINES(?d)在这个模式下，只有n才被认作一行的中止，并且与.，以及$进行匹配。抛开空泛的概念，下面写出几个简单的Java正则用例：比如，在字符串包含验证时/查找以Java开头,任意结尾的字符串Pattern pattern=Ppile(Java.*);Matcher matcher=pattern.mat
14、cher(Java不是人);boolean b=matcher.matches();/当条件满足时，将返回true，否则返回falseSystem.out.println(b);,以多条件分割字符串时Pattern pattern=Ppile(,|+);String strs=pattern.split(Java Hello World Java,Hello,World|Sun);for(int i=0;istrs.length;i+)System.out.println(strsi);文字替换（首次出现字符）Pattern pattern=Ppile(正则表达式);Matcher match
15、er=pattern.matcher(正则表达式 Hello World,正则表达式 Hello World);/替换第一个符合正则的数据System.out.println(matcher.replaceFirst(Java);,文字替换（全部）Pattern pattern=Ppile(正则表达式);Matcher matcher=pattern.matcher(正则表达式 Hello World,正则表达式 Hello World);/替换第一个符合正则的数据System.out.println(matcher.replaceAll(Java);文字替换（置换字符）Pattern pat
16、tern=Ppile(“正则表达式”);Matcher matcher=pattern.matcher(“正则表达式 Hello World,正则表达式 Hello World”);StringBuffer sbr=new StringBuffer();while(matcher.find()matcher.appendReplacement(sbr,“Java”);,matcher.appendTail(sbr);System.out.println(sbr.toString();验证是否为邮箱地址String email=“w.-+(w-+.)+w-+”;String str=”;Patt
17、ern pattern=Ppile（email,Pattern.CASE_INSENSITIVE);Matcher matcher=pattern.matcher(str);System.out.println(matcher.matches();比较严格的：email=(0-9a-zA-Z(-.w*0-9a-zA-Z)*(0-9a-zA-Z)+(-w*0-9a-zA-Z)*.)+a-zA-Z2,9)$去除html标记Pattern pattern=Ppile(,Pattern.DOTALL);,Matcher matcher=pattern.matcher(主页);String string
18、=matcher.replaceAll();System.out.println(string);查找html中对应条件字符串Pattern pattern=Ppile(href=(.+?);Matcher matcher=pattern.matcher(主页);if(matcher.find()System.out.println(matcher.group(1);截取http:/地址/截取urlPattern pattern=Ppile(http:/|https:/)1w.-/:+);,Matcher matcher=pattern.matcher(dsdsdsfdf);StringBuf
19、fer buffer=new StringBuffer();while(matcher.find()buffer.append(matcher.group();buffer.append(rn);System.out.println(buffer.toString();替换指定中文字String str=Java目前的发展史是由0年-1年;String object=new String0,1995,new String1,2007;,System.out.println(replace(str,object);public static String replace(final String
20、 sourceString,Object object)String temp=sourceString;for(int i=0;iobject.length;i+)String result=(String)objecti;Pattern pattern=Ppile(result0);Matcher matcher=pattern.matcher(temp);temp=matcher.replaceAll(result1);return temp;,读取页面链接和内容：public String newsListRegExp=+href=?(*)?*(.+?);newsListRegExp=
21、+hrefs*=*s*(s|+)*(;public void getLinks(String content)pattern=java.util.regex.Ppile(newsListRegExp,java.util.regex.Pattern.CASE_INSENSITIVE);matcher=pattern.matcher(content);while(matcher.find()String link=matcher.group(1);String text=matcher.group(2);System.out.println(link+text);,Java正则的功用还有很多，事实
22、上只要是字符处理，就没有正则做不到的事情存在。（当然，正则解释时较耗时间就是了！）,二、HTMLParser使用详解,HTMLParser使用详解（1）-初始化Parser,在研究搜索引擎的开发中，对于HTML网页的处理是核心的一个环节。网上有很多开源的代码，对于Java来说，HTMLParser是比较著名并且得到广泛应用的一个。HTMLParser的主页是http:/，最后的更新是2006年9月的1.6版。不过没关系，HTML的内容已经很久没有大的变化了，HTMLParser处理起来基本没有任何问题。,HTMLParser的核心模块是类，这个类实际完成了对于HTML页面的分析工作。这个类有下
23、面几个构造函 数：public Parser();public Parser(Lexer lexer,ParserFeedback fb);public Parser(URLConnection connection,ParserFeedback fb)throws ParserException;public Parser(String resource,ParserFeedback feedback)throws ParserException;public Parser(String resource)throws ParserException;public Parser(Lexer
24、lexer);public Parser(URLConnection connection)throws ParserException;和一个静态类 public static Parser createParser(String html,String charset);,对于大多数使用者来说，使用最多的是通过一个URLConnection或者一个保存有网页内容的字符串来初始化Parser，或者使用静态函数来生成一个Parser对象。ParserFeedback的代码很简单，是针对调试和跟踪分析过程的，一般不需要改变。而使用Lexer则是一个相对比较高级的话题，放到以后再讨论吧。这里比较有
25、趣的一点是，如果需要设置页面的编码方式的话，不使用Lexer就只有静态函数一个方法了。对于大多数中文页面来说，好像这是应该用得比较多的一个方法。,HTMLParser使用详解（2）-Node内容,HTMLParser将解析过的信息保存为一个树的结构。Node是信息保存的数据类型基础。请看Node的定义：public interface Node extends Cloneable;Node中包含的方法有几类：对于树型结构进行遍历的函数，这些函数最容易理解：Node getParent()：取得父节点NodeList getChildren()：取得子节点的列表,Node getFirstChi
26、ld()：取得第一个子节点Node getLastChild()：取得最后一个子节点Node getPreviousSibling()：取得前一个兄弟（不好意思，英文是兄弟姐妹，直译太麻烦而且不符合习惯，对不起女同胞了）Node getNextSibling()：取得下一个兄弟节点取得Node内容的函数：String getText()：取得文本String toPlainTextString()：取得纯文本信息。String toHtml()：取得HTML信息（原始HTML）String toHtml(boolean verbatim)：取得HTML信息（原始HTML）String toSt
27、ring()：取得字符串信息（原始HTML）Page getPage()：取得这个Node对应的Page对象,int getStartPosition()：取得这个Node在HTML页面中的起始位置int getEndPosition()：取得这个Node在HTML页面中的结束位置用于Filter过滤的函数：void collectInto(NodeList list,NodeFilter filter)：基于filter的条件对于这个节点进行过滤，符合条件的节点放到list中。用于Visitor遍历的函数：void accept(NodeVisitor visitor)：对这个Node应用v
28、isitor用于修改内容的函数，这类用得比较少：void setPage(Page page)：设置这个Node对应的Page对象void setText(String text)：设置文本void setChildren(NodeList children)：设置子节点列表,其他函数：void doSemanticAction()：执行这个Node对应的操作（只有少数Tag有对应的操作）Object clone()：接口Clone的抽象函数。主要注意一下，getText，toPlainTextString，toHtml 区别String a=猫扑hi来点不一样;Parser p=Parser
29、.createParser(a,UTF-8);try for(NodeIterator it=p.elements();it.hasMoreNodes();)Node node=it.nextNode();System.out.println(node.getText()+$+node.toPlainTextString()+$+node.toHtml();catch(ParserException e)/TODO Auto-generated catch blocke.printStackTrace();输出：div id=hi$猫扑hi$猫扑hia class=link href=$来点不
30、一样$来点不一样,下面是用于测试的HTML文件：白泽居-白泽居-白泽居-白泽居-,toPlainTextString是把用户可以看到的内容都包含了。有趣的有两点，一是标签中的Title内容是在plainText中的，可能在标题中可见的也算可见吧。另外就是象前面说的，HTML内容中的换行符什么的，也都成了plainText，这个逻辑上好像有点问题。另外可能大家发现toHtml，toHtml(true)和toHtml(false)的结果没什么区别。实际也是这样的，如果,跟踪HTMLParser的代码就可以发现，Node的子类是AbstractNode，其中实现了toHtml()的代码，直接调用to
31、Html(false)，而AbstractNode的三个子类RemarkNode，TagNode和TextNode中，toHtml(boolean verbatim)的实现中，都没有处理verbatim参数，所以三个函数的结果是一模一样的。如果你不需要实现你自己的什么特殊处理，简单使用toHtml就可以了。,HTML的Node类继承关系如下图这个是从别的文章Copy的）：,AbstractNodes是Node的直接子类，也是一个抽象类。它的三个直接子类实现是RemarkNode，用于保存注释。在输出结果的toString部分中可以看到有一个Rem(3456,2,3566,13):这是注释，就是
32、一个RemarkNode。TextNode也很简单，就是用户可见的文字信息。TagNode是最复杂的，包含了HTML语言中的所有标签，而且可以扩展（扩展 HTMLParser 对自定义标签的处理能力）。TagNode包含两类，一类是简单的Tag，实际就是不能包含其他Tag的标签，只能做叶子节点。另一类是CompositeTag，就是可以包含其他Tag，是分支节点。,遍历了网页的内容以后，以树（森林）结构保存了结果。HTMLParser访问结果内容的方法有两种。使用Filter和使用Visitor。（一）Filter类 顾名思义，Filter就是对于结果进行过滤，取得需要的内容。HTMLPars
33、er在包之内一共定义了16个不同的Filter，也可以分为几类。,HTMLParser使用详解（3）-通过Filter访问内容,判断类Filter：TagNameFilterHasAttributeFilterHasChildFilterHasParentFilterHasSiblingFilterIsEqualFilter逻辑运算Filter：AndFilterNotFilterOrFilterXorFilter,其他Filter：NodeClassFilterStringFilterLinkStringFilterLinkRegexFilterRegexFilterCssSelectorN
34、odeFilter所有的Filter类都实现了接口。这个接口只有一个主要函数：boolean accept(Node node);各个子类分别实现这个函数，用于判断输入的Node是否符合这个Filter的过滤条件，如果符合，返回true，否则返回false。,（二）判断类Filter HTMLParser使用入门（2）-Node内容，自己添加import部分）public static void main(String args)try Parser parser=new Parser(HttpURLConnection)(new URL(http:/127.0.0.1:8080/HTMLPa
35、rserTester.html).openConnection();/这里是控制测试的部分，后面的例子修改的就是这个地方。NodeFilter filter=new TagNameFilter(DIV);NodeList nodes=parser.extractAllNodesThatMatch(filter);,if(nodes!=null)for(int i=0;i nodes.size();i+)Node textnode=(Node)nodes.elementAt(i);message(getText:+textnode.getText();message(=);catch(Excep
36、tion e)e.printStackTrace();输出结果：getText:div id=top_main,=getText:div id=logoindex=可以看出文件中两个Div节点都被取出了。下面可以针对这两个DIV节点进行操作2.2 HasChildFilter 下面让我们看看HasChildFilter。刚刚看到这个Filter的时候，我想当然地认为这个Filter返回的是有Child的Tag。直接初始化了一个NodeFilter filter=new HasChildFilter();,结果调用NodeList nodes=parser.extractAllNodesThat
37、Match(filter);的时候HasChildFilter内部直接发生NullPointerException。读了一下HasChildFilter的代码，才发现，实际HasChildFilter是返回有符合条件的子节点的节点，需要另外一个Filter作为过滤子节点的参数。缺省的构造函数虽然可以初始化，但是由于子节点的Filter是null，所以使用的时候发生了Exception。从这点来看，HTMLParser的代码还有很多可以优化的的地方。呵呵。,修改代码：NodeFilter innerFilter=new TagNameFilter(DIV);NodeFilter filter=n
38、ew HasChildFilter(innerFilter);NodeList nodes=parser.extractAllNodesThatMatch(filter);输出结果：getText:body=getText:div id=top_main=可以看到，输出的是两个有DIV子Tag的Tag节点。（body有子节点DIV top_main，top_main有子节点logoindex。,注意HasChildFilter还有一个构造函数：public HasChildFilter(NodeFilter filter,boolean recursive)如果recursive是false，
39、则只对第一级子节点进行过滤。比如前面的例子，body和top_main都是在第一级的子节点里就有DIV节点，所以匹配上了。如果我们用下面的方法调用：NodeFilter filter=new HasChildFilter(innerFilter,true);输出结果：getText:html xmlns=http:/www.w3.org/1999/xhtml=getText:body=getText:div id=top_main=,可以看到输出结果中多了一个html xmlns=http:/www.w3.org/1999/xhtml，这个是整个HTML页面的节点（根节点），虽然这个节点下直接
40、没有DIV节点，但是它的子节点body下面有DIV节点，所以它也被匹配上了。2.3 HasAttributeFilter HasAttributeFilter有3个构造函数：public HasAttributeFilter();public HasAttributeFilter(String attribute);public HasAttributeFilter(String attribute,String value);这个Filter可以匹配出包含制定名字的属性，或者制定属性为指定值的节点。还是用例子说明比较容易。,调用方法1:NodeFilter filter=new HasAtt
41、ributeFilter();NodeList nodes=parser.extractAllNodesThatMatch(filter);输出结果：什么也没有输出。调用方法2:NodeFilter filter=new HasAttributeFilter(id);NodeList nodes=parser.extractAllNodesThatMatch(filter);,输出结果：getText:div id=top_main=getText:div id=logoindex=调用方法3:NodeFilter filter=new HasAttributeFilter(id,logoin
42、dex);NodeList nodes=parser.extractAllNodesThatMatch(filter);输出结果：getText:div id=logoindex=很简单吧。呵呵,2.4 其他判断列Filter HasParentFilter和HasSiblingFilter的功能与HasChildFilter类似，大家自己试一下就应该了解了。IsEqualFilter的构造函数参数是一个Node：public IsEqualFilter(Node node)mNode=node;accept函数也很简单：public boolean accept(Node node)retu
43、rn(mNode=node);不需要过多说明了。,（三）逻辑运算Filter（四）其他Filter：HTMLParser使用入门（2）-Node内容 中我们已经了解了Node的不同类型，这个Filter就可以针对类型进行过滤。测试代码：NodeFilter filter=new NodeClassFilter(RemarkNode.class);NodeList nodes=parser.extractAllNodesThatMatch(filter);输出结果：getText:这是注释=可以看到只有RemarkNode（注释）被输出了。,4.2 StringFilter 这个Filter用于
44、过滤显示字符串中包含制定内容的Tag。注意是可显示的字符串，不可显示的字符串中的内容（例如注释，链接等等）不会被显示。修改一下例子代码：白泽居-title-,白泽居-字符串白泽居-链接文本-白泽居-字符串2-,测试代码：NodeFilter filter=new);NodeList nodes=parser.extractAllNodesThatMatch(filter);输出结果：getText:白泽居-title-=getText:白泽居-字符串1-=getText:白泽居-链接文本-=,getText:白泽居-字符串2-=可以看到包含title，两个内容字符串和链接的文本字符串的Tag都
45、被输出了，但是注释和链接Tag本身没有输出。4.3 LinkStringFilter 这个Filter用于判断链接中是否包含某个特定的字符串，可以用来过滤出指向某个特定网站的链接。测试代码：NodeFilter filter=new);NodeList nodes=parser.extractAllNodesThatMatch(filter);,输出结果：getText:a href=http:/=4.4 其他几个Filter 其他几个Filter也是根据字符串对不同的域进行判断，与前面这些的区别主要就是支持正则表达式。这个不在本文的讨论范围以内，大家可以自己实验一下。前面介绍的都是简单的Fi
46、lter，只能针对某种单一类型的条件进行过滤。HTMLParser支持对于简单类型的Filter进行组合，从而实现复杂的条件。原理和一般编程语言的逻辑运算是一样的。,3.1 AndFilter AndFilter可以把两种Filter进行组合，只有同时满足条件的Node才会被过滤。测试代码：NodeFilter filterID=new HasAttributeFilter(“id”);NodeFilter filterChild=new HasChildFilter(filterA);NodeFilter filter=new AndFilter(filterID,filterChild);
47、输出结果：getText:div id=“logoindex”=,3.2 OrFilter 把前面的AndFilter换成OrFilter测试代码：NodeFilter filterID=new HasAttributeFilter(id);NodeFilter filterChild=new HasChildFilter(filterA);NodeFilter filter=new OrFilter(filterID,filterChild);输出结果：getText:div id=top_main=getText:div id=logoindex=,3.3 NotFilter 把前面的An
48、dFilter换成NotFilter测试代码：NodeFilter filterID=new HasAttributeFilter(id);NodeFilter filterChild=new HasChildFilter(filterA);NodeFilter filter=new NotFilter(new OrFilter(filterID,filterChild);输出结果：getText:!DOCTYPE html PUBLIC-/W3C/DTD XHTML 1.0 Transitional/EN http:/www.w3.org/TR/xhtml1/DTD/xhtml1-trans
49、itional.dtd=getText:,=getText:head=getText:meta http-equiv=Content-Type content=text/html;charset=gb2312=getText:title=getText:白泽居-=getText:/title=getText:/head,=getText:=getText:html xmlns=http:/www.w3.org/1999/xhtml=getText:=getText:body=getText:=getText:,=getText:=getText:这是注释=getText:白泽居-=getTex
50、t:a href=http:/=getText:白泽居-=getText:/a,=getText:=getText:/div=getText:白泽居-=getText:/div=getText:,=getText:/body=getText:=getText:/html=getText:=除了前面3.2中输出的几个Tag，其余的Tag都在这里了。,3.4 XorFilter 把前面的AndFilter换成NotFilter测试代码：NodeFilter filterID=new HasAttributeFilter(id);NodeFilter filterChild=new HasChild
