コード例 #1
0
  private static void loadCSS(String address, HTMLDocument document) throws Exception {
    CSSData cssData = new CSSData();
    document.putResource("CSS.DATA", cssData);

    NodePath nodePath = pathParser.toPath("HEAD");
    HTMLNode head = extractor.lookNode(document.getRoot(), nodePath);

    URLUtils urlUtils = new URLUtils();
    NodeIterator iterator = head.iterator();
    while (iterator.hasNext()) {
      HTMLNode node = iterator.next();
      if (!node.isNode(Name.LINK)) continue;
      Attributes attributes = node.getAttributes();
      Attribute attribute = attributes.get("type");
      if (attribute == null) continue;
      if (!"text/css".equalsIgnoreCase(attribute.getValue())) continue;

      attribute = attributes.get("href");
      if (attribute == null) continue;
      String link = attribute.getValue();
      if (link == null) continue;

      link = urlUtils.createURL(new URL(address), link);

      System.out.println(link);
      byte[] bytes = loadContent(link);

      String css = new String(bytes, "utf-8");
      cssData.addValue(css);
    }
  }
コード例 #2
0
ファイル: FormChecker.java プロジェクト: yeins/vietspider
 boolean hasForm(HTMLNode node) {
   NodeIterator iterator = node.iterator();
   while (iterator.hasNext()) {
     HTMLNode n = iterator.next();
     if (n.isNode(Name.FORM)) return true;
     if (isFormElement(n)) return true;
   }
   return false;
 }
コード例 #3
0
ファイル: LinkRemover.java プロジェクト: yeins/vietspider
  private boolean isLinkDiv(HTMLNode node) {
    if (node.getChildren() == null) return false;

    List<HTMLNode> ignores = new ArrayList<HTMLNode>();
    NodeIterator iterator = node.iterator();
    while (iterator.hasNext()) {
      HTMLNode n = iterator.next();
      if (n.isNode(Name.A) && !linkNodeChecker.isValid(new CheckModel(n), 0)) ignores.add(n);
    }

    int counter = 0;
    iterator = node.iterator(ignores);
    while (iterator.hasNext()) {
      HTMLNode n = iterator.next();
      if (n.isNode(Name.CONTENT)) {
        counter += countWord(n);
      }
    }
    return counter < 5 && ignores.size() > 1;
  }
コード例 #4
0
ファイル: LinkRemover.java プロジェクト: yeins/vietspider
 private int countWord(HTMLNode node) {
   if (node == null) return 0;
   NodeIterator nodeIterator = node.iterator();
   int word = 0;
   while (nodeIterator.hasNext()) {
     HTMLNode iterNode = nodeIterator.next();
     if (getAncestor(iterNode, Name.A, 0, 5) != null) continue;
     if (iterNode.isNode(Name.CONTENT)) {
       String text = iterNode.getTextValue();
       word += textCounter.countWord(text, 0, text.length());
     }
   }
   return word;
 }
コード例 #5
0
ファイル: LinkRemover.java プロジェクト: yeins/vietspider
  public void remove(HTMLNode root, HTMLNode first, HTMLNode last) {
    boolean remove = true;

    List<HTMLNode> removes = new ArrayList<HTMLNode>();
    NodeIterator nodeIterator = root.iterator();
    //    System.out.println(new String(first.getValue()));
    while (nodeIterator.hasNext()) {
      HTMLNode node = nodeIterator.next();
      switch (node.getName()) {
        case UL:
          if (isLinkContainer(node)) removes.add(node);
          break;
        case DIV:
        case TD:
          if (isLinkDiv(node)) removes.add(node);
          break;
        case CONTENT:
          //        System.out.println(new String(iterNode.getValue()));
          if (node == first) remove = false;
          if (remove) {
            removes.add(node);
            //          System.out.println(new String(node.getValue()));
          }
          if (node == last) remove = true;
          break;
        default:
          break;
      }
    }
    //    System.out.println(new String(last.getValue()));

    for (int i = 0; i < removes.size(); i++) {
      HTMLNode node = removes.get(i);
      HTMLNode parent = node.getParent();
      //      System.out.println(parent.getTextValue());
      while (parent != null) {
        //        System.out.println(parent.getTextValue());
        node.setValue(new char[] {});
        parent.removeChild(node);

        int word = countWord(parent);
        if (word > 15) break;
        node = parent;
        parent = node.getParent();
      }
    }
  }
コード例 #6
0
ファイル: LinkRemover.java プロジェクト: yeins/vietspider
  private boolean isLinkContainer(HTMLNode node) {
    List<HTMLNode> children = node.getChildren();
    if (children == null) return false;
    if (isListNode(children)) {
      NodeIterator nodeIterator = node.iterator();
      int counter = 0;
      while (nodeIterator.hasNext()) {
        HTMLNode iterNode = nodeIterator.next();
        if (iterNode.isNode(Name.A)) counter++;
      }
      return counter >= children.size() - 3;
    }

    for (int i = 0; i < children.size(); i++) {
      if (isLinkContainer(children.get(i))) return true;
    }

    return false;
  }