使用javax.swing.text.html包解析HTML文档

 下面是一个例子：  
  import   javax.swing.text.html.HTMLEditorKit$ParserCallback;  
  import   javax.swing.text.html.*;  
  import   javax.swing.text.*;  
  import   com.pdcss.debug.*;  
  import   java.util.*;  
  import   javax.swing.text.html.parser.*;  
  import   java.io.*;  
  import   java.net.*;  
  import   com.pdcss.xml.*;  
  import   com.pdcss.debug.DebugOut;  
   
   
  public   class   HTMLToXML   {  
      /**  
        *   document对象  
        */  
      org.w3c.dom.Document   newDoc;  
      /**  
        *   根结点对象  
        */  
      private   org.w3c.dom.Element   root;  
   
      /**  
        *   是否忽略<img>标签  
        */  
      private   boolean   ignoreImg=true;  
   
      /**  
        *   设置是否忽略按钮标签  
        */  
      private   boolean   ignoreButton=true;  
   
      /**  
        *   文件路径  
        */  
      private   String   filePath;  
   
      /**  
        *   是否调用了函数parse()  
        */  
      private   boolean   isParse=false;  
   
      /**  
        *   处理结果可接受的html   tagname,如果不在这个表里面则忽略掉这个元素  
        */  
      private   ArrayList   acceptedTags;  
   
      public   HTMLToXML(String   filePath)   {  
          this.filePath=filePath;  
          newDoc   =   XmlParser.buildNewDocument();  
          root=   newDoc.createElement("HTMLToXML");  
          newDoc.appendChild(root);  
   
          //增加可接受的元素的tag  
          acceptedTags=new   ArrayList(5);  
          acceptedTags.add(HTML.Tag.INPUT);  
          acceptedTags.add(HTML.Tag.TEXTAREA);  
          acceptedTags.add(HTML.Tag.SELECT);  
      }  
   
      /**  
        *   开始解析  
        */  
      private   void   parse(){  
          HTMLEditorKit.Parser   parser   =   new   ParserDelegator();  
          HTMLEditorKit.ParserCallback   callback   =   new   MyParserCallback();  
          try   {  
              URL   u   =   new   File(filePath).toURL();  
              InputStream   in   =   u.openStream();  
              InputStreamReader   reader   =   new   InputStreamReader(in);  
              parser.parse(reader,   callback,   false);  
              reader.close();  
          }  
          catch   (IOException   e)   {  
          }  
          isParse=true;  
   
      }  
   
      /**  
        *   返回创建好的Document对象  
        *   @return  
        */  
      public   org.w3c.dom.Document   getXmlDocument(){  
          if(isParse==false){  
              parse();  
              isParse=true;  
          }  
          return   this.newDoc;  
      }  
   
      /**  
        *   返回标准的xml字符串  
        *   @return  
        */  
      public   String   getXmlStr(){  
          if(isParse==false){  
              parse();  
              isParse=true;  
          }  
          return   XmlParser.elementToString(root);  
      }  
   
      /**  
        *   设置是否忽略img标签  
        *   @param   isIgnore  
        */  
      public   void   setIgnoreImg(boolean   isIgnore){  
          ignoreImg=isIgnore;  
          if(ignoreImg==true){  
              acceptedTags.remove(HTML.Tag.IMG);  
          }else{  
              if(!acceptedTags.contains(HTML.Tag.IMG)){  
                  acceptedTags.add(HTML.Tag.IMG);  
              }  
          }  
      }  
   
      public   boolean   getIgnoreImg(){  
          return   ignoreImg;  
      }  
   
      /**  
        *   设置是否忽略button标签  
        *   @param   isIgnore  
        */  
      public   void   setIgnoreButton(boolean   isIgnore){  
          ignoreButton=isIgnore;  
      }  
   
   
      private   class   MyParserCallback   extends   HTMLEditorKit.ParserCallback   {  
        public   void   handleStartTag(HTML.Tag   tag,   MutableAttributeSet   attributes,       int   position)     {  
            handleTag(tag,   attributes,   position);  
          }  
   
          public   void   handleSimpleTag(HTML.Tag   tag,   MutableAttributeSet   attributes,   int   position)   {  
              handleTag(tag,   attributes,   position);  
          }  
   
          private   void   handleTag(HTML.Tag   tag,   MutableAttributeSet   attributes,   int   position){  
              if(!acceptedTags.contains(tag)){  
                  return;  
              }  
              if(ignoreButton==true){  
                  if   (tag   ==   HTML.Tag.INPUT)   {  
                      String   type   =   attributes.getAttribute(HTML.Attribute.TYPE).toString();  
                      //不是按钮  
                      if   (type   !=   null){  
                          if   (type.equalsIgnoreCase("button")   ||   type.equalsIgnoreCase("submit")   ||   type.equalsIgnoreCase("reset"))   {  
                              return;  
                          }  
                      }  
                  }  
              }  
              org.w3c.dom.Element   newElement   =   newDoc.createElement(tag.toString());  
              Enumeration   enum   =   attributes.getAttributeNames();  
              Object   attributeName;  
              while   (enum.hasMoreElements())   {  
                  attributeName   =   enum.nextElement();  
                  newElement.setAttribute(attributeName.toString(),   attributes.getAttribute(attributeName).toString());  
              }  
              root.appendChild(newElement);  
   
          }  
      }  
   
  }