2009-11-08 26 views
18

Jak załadować dokument HTML DOM do Scala? Singlet XML miał błędy podczas próby załadowania tagów xmlns.Analizy parsowania Scala i HTML

import java.net._ 
import java.io._ 
import scala.xml._ 

object NetParse { 

    import java.net.{URLConnection, URL} 
    import scala.xml._ 

    def netParse(sUrl: String): Elem = { 
     var url = new URL(sUrl) 
     var connect = url.openConnection 

     XML.load(connect.getInputStream) 
    } 
} 

Wreszcie znalazłem rozwiązanie! - Wymaga Scala 2.7.7 lub wyższą do pracy (2.7.0 ma fatalny błąd): How-to-use-TagSoup-with-Scala-XML

Odpowiedz

15
+2

Wyświetlanie tej strony dzisiaj, brakuje większości przykładów kodu. Oto link do wersji, która wciąż zawiera całą oryginalną treść: http://web.archive.org/web/20111121010724/http://www.hars.de/2009/01/html-as-xml-in- scala.html –

+0

Dla tych, którzy szukają łatwego sposobu na przeniesienie tej biblioteki do projektu, zobacz [http://mvnrepository.com/artifact/org.ccil.cowan.tagsoup/tagsoup/1.2.1](http://mvnrepository .com/artifact/org.ccil.cowan.tagsoup/tagsoup/1.2.1). – icl7126

6

Spróbuj użyć scala.xml.parsing.XhtmlParser zamiast.

+1

Warto zauważyć, że to rozwiązanie nie zadziała w przypadku "zupy tagów" - tylko prawidłowo sformatowany XHTML zostanie pomyślnie przeanalizowany. Zasadniczo po prostu dodaje standardowe jednostki HTML i najwyraźniej zachowuje bloki CDATA w porównaniu do scala.xml.XML.load *. (W moim przypadku było to wszystko, czego potrzebowałem, więc tak!) –

2
/* 
Copyright (c) 2008 Florian Hars, BIK Aschpurwis+Behrens GmbH, Hamburg 
Copyright (c) 2002-2008 EPFL, Lausanne, unless otherwise specified. 
All rights reserved. 

This software was developed by the Programming Methods Laboratory of the 
Swiss Federal Institute of Technology (EPFL), Lausanne, Switzerland. 

Permission to use, copy, modify, and distribute this software in source 
or binary form for any purpose with or without fee is hereby granted, 
provided that the following conditions are met: 

1. Redistributions of source code must retain the above copyright 
    notice, this list of conditions and the following disclaimer. 

2. Redistributions in binary form must reproduce the above copyright 
    notice, this list of conditions and the following disclaimer in the 
    documentation and/or other materials provided with the distribution. 

3. Neither the name of the EPFL nor the names of its contributors 
    may be used to endorse or promote products derived from this 
    software without specific prior written permission. 


THIS SOFTWARE IS PROVIDED BY THE REGENTS AND CONTRIBUTORS ``AS IS'' AND 
ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE 
IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE 
ARE DISCLAIMED. IN NO EVENT SHALL THE REGENTS OR CONTRIBUTORS BE LIABLE 
FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL 
DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR 
SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER 
CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT 
LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY 
OUT OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF 
SUCH DAMAGE. 
*/ 

package tagsoup 

import org.xml.sax.InputSource 
import javax.xml.parsers.SAXParser 
import org.ccil.cowan.tagsoup.jaxp.SAXFactoryImpl 
import scala.xml.parsing.FactoryAdapter 
import scala.xml._ 

class TagSoupFactoryAdapter extends FactoryAdapter { 

    val parserFactory = new SAXFactoryImpl 
    parserFactory.setNamespaceAware(false) 

    val emptyElements = Set("area", "base", "br", "col", "hr", "img", 
         "input", "link", "meta", "param") 

    /** Tests if an XML element contains text. 
    * @return true if element named <code>localName</code> contains text. 
    */ 
    def nodeContainsText(localName: String) = !(emptyElements contains localName) 

    /** creates a node. 
    */ 
    def createNode(pre:String, label: String, attrs: MetaData, 
      scpe: NamespaceBinding, children: List[Node]): Elem = { 
    Elem(pre, label, attrs, scpe, children:_*); 
    } 

    /** creates a text node 
    */ 
    def createText(text:String) = 
    Text(text); 

    /** Ignore Processing Instructions 
    */ 
    def createProcInstr(target: String, data: String) = Nil 

    /** load XML document 
    * @param source 
    * @return a new XML document object 
    */ 
    override def loadXML(source: InputSource) = { 
    val parser: SAXParser = parserFactory.newSAXParser() 

    scopeStack.push(TopScope) 
    parser.parse(source, this) 
    scopeStack.pop 
    rootElem 
    } 

} 

How-to-use-TagSoup-with-Scala-XML

5

Właśnie próbował wykorzystać tę odpowiedź z Scala 2.8.1 i skończyło się za pomocą pracy z:

http://www.hars.de/2009/01/html-as-xml-in-scala.html

Interesującą nieco, że potrzebne było:

val parserFactory = new org.ccil.cowan.tagsoup.jaxp.SAXFactoryImpl 
val parser = parserFactory.newSAXParser() 
val source = new org.xml.sax.InputSource("http://www.scala-lang.org") 
val adapter = new scala.xml.parsing.NoBindingFactoryAdapter 
adapter.loadXML(source, parser) 
+1

To działa również dla mnie. Chciałbym jednak móc przekonwertować surowy HTML na źródło wejściowe, więc w sekcji 'val source =' lub 'adapter.loadXML'. Próbowałem 'adapter.loadString (" ... ")', ale nie powiedzie się na źle sformułowanej zawartości. Jakieś pomysły? – jbnunn

2

Scala Skrobak

Polecam Scala Scraper który pozwala analizować HTML elegancko tak:

// Parse elements from files, URLs or plain strings 
val browser = JsoupBrowser() 
val doc = browser.parseFile("core/src/test/resources/example.html") 
val doc2 = browser.get("http://example.com") 
val doc3 = browser.parseString("<html><h1>parse me</h1></html>") 

// Extract the text inside the element with id "header" 
doc >> text("#header") 

// Extract the <span> elements inside #menu 
val items = doc >> elementList("#menu span") 

// From each item, extract all the text inside their <a> elements 
items.map(_ >> allText("a")) 

Przykłady zostały zaczerpnięte z Scala Scraper na readme.

Powiązane problemy