发布了一个基于Javascript的html内容提取器

阅读更多

Javascript Html Extractor v0.0.1

当前的版本是 v0.0.1。

项目地址：http://code.google.com/p/javascripthtmlextractor/

 

该内容提取器主要用于快速提取指定的html字符串中的指定内容。

如有发现问题或有建议，请留言，谢谢。

 

 

先看示例：

示例一："
div1
".jhe_im("div")   
返回：["
div1
"]

示例二："
div1
".jhe_ma("div", "id")   
返回： ["attr_div1"]

示例三："
div1
".jhe_mt("div")   
返回： ["div1"]

示例四："
div1
div2
".jhe_om("div")  
返回： ["
div2
", "
div2
"]

示例五："
div1
div2 content
".jhe_im("div", "@id=div2") 
返回： 'div2 content'

示例六："
div1
div2
".jhe_im("div", "p")  
返回：["div1", "div2"]

示例七："
div1
div2
".jhe_im("div", ">p")  
返回： ["div1"]

示例八："
11
div2
".jhe_im("^div")
返回： []

示例九："
div2
11
".jhe_im("^div")
返回： ["div2"]

更多的示例可以看代码中的单元测试文件。

方法说明：

1. jhe_im(匹配参数..)

该方法返回符合匹配参数的标签内的所有内容，返回值类型是数组。

2. jhe_om(匹配参数..)

该方法返回符合匹配参数标签及其标签内的所有内容，返回值类型是数组。

3. jhe_ma(匹配参数.., 属性名)

该方法返回符合匹配参数标签的指定属性的属性值，返回值类型是数组。

4. jhe_mt(匹配参数..)

该方法返回符合匹配参数的标签下的所有文本内容， 返回值类型是数组。

5. 关于匹配参数，匹配参数是个不定长的参数，他可以为以下内容
   
   html标签: 如 'div', 'a'...，表示为需要匹配的标签名称

属性表达式： @attributeName=attributeValue, 如 '@class=red', '@id=container'，表示需要匹配的标签的属性必须符合指定条件

属性表达式： @@attributeName=attributeValue, 如 '@@class=\\w', '@id=[1-9]*'，表示需要匹配的标签的属性必须符合指定的正则式条件

^+html标签：，表示当前html字符串的第一个标签

>+html标签 ： ，表示紧接前一标签的下一标签