1、相關資料

2、使用HtmlPaser的關鍵步驟

（1）通過Parser類建立一個直譯器

（2）建立Filter或者Visitor

（3）使用parser根據filter或者visitor來取得所有符合條件的節點

（4）對節點內容進行處理

3、使用Parser的建構函式建立直譯器

• Parser()
• Parser(Lexer lexer)
• Parser(Lexer lexer, ParserFeedback fb)
• Parser(String resource)
• Parser(String resource, ParserFeedback feedback)
• Parser(URLConnection connection)
• Parser(URLConnection connection, ParserFeedback fb)

4、htmlparser對html頁面處理的資料結構

HtmlParser主要靠Node、AbstractNode和Tag來表達Html，因為Remark和Text相對簡單，此處就將其忽略了。

• Node是形成樹結構表示HTML的基礎，所有的資料表示都是介面Node的實現，Node定義了與頁面樹結構所表達的頁面Page物件，定義了獲取父、子、兄弟節點的方法，定義了節點到對應html文字的方法，定義了該節點對應的起止位置，定義了過濾方法，定義了Visitor訪問機制。
• AbstractNode是Node的一種具體的類實現，起到構成樹形結構的作用，除了同具體Node相關的accetp方法，toString，toHtml，toPlainTextString方法以外，AbstractNode實現了大多基本的方法，使得它的子類，不用理會具體的樹操作。
• Tag是具體分析的主要內容。Tag分成composite的Tag和不能包含其他Tag的簡單Tag兩類，其中前者的基類是CompositeTag，其子類包含BodyTag,Div,FrameSetTag,OptionTag等27個子類；而簡單Tag有BaseHrefTag、DoctypeTag,FrameTag，ImageTag，InputTag，JspTag，MetaTag，ProcessingInstructionTag這八類。

Node分成三類：

• RemarkNode:代表Html中的註釋
• TagNode：標籤節點，是種類最多的節點型別，上述Tag的具體節點類都是TagNode的實現。
• TextNode：文字節點

5、Node中包含的方法

對於樹型結構進行遍歷的函式，這些函式最容易理解：

Node getParent ()：取得父節點
NodeList getChildren ()：取得子節點的列表
Node getFirstChild ()：取得第一個子節點
Node getLastChild ()：取得最後一個子節點
Node getPreviousSibling ()：取得前一個兄弟
Node getNextSibling ()：取得下一個兄弟節點

取得Node內容的函式：

String getText ()：取得文字
String toPlainTextString()：取得純文字資訊。
String toHtml () ：取得HTML資訊（原始HTML）
String toHtml (boolean verbatim)：取得HTML資訊（原始HTML）
String toString ()：取得字串資訊（原始HTML）
Page getPage ()：取得這個Node對應的Page物件
int getStartPosition ()：取得這個Node在HTML頁面中的起始位置
int getEndPosition ()：取得這個Node在HTML頁面中的結束位置

用於Filter過濾的函式：

void collectInto (NodeList list, NodeFilter filter)：基於filter的條件對於這個節點進行過濾，符合條件的節點放到list中。

用於Visitor遍歷的函式：

void accept (NodeVisitor visitor)：對這個Node應用visitor

用於修改內容的函式，這類用得比較少：

void setPage (Page page)：設定這個Node對應的Page物件
void setText (String text)：設定文字
void setChildren (NodeList children)：設定子節點列表

其他函式：

void doSemanticAction ()：執行這個Node對應的操作（只有少數Tag有對應的操作）
Object clone ()：介面Clone的抽象函式。