一：简介
（1）HTML Parser是一个用于解析Html的Java的库，可采用线性或嵌套两种方式。主要用于网页的转换或提取，他有一些特性：过滤器filter，遍历器visitors，通常的标签tagName和易用的JavaBeans。它是一个快速，健壮，并严格测试过的组件。
（2）个人理解：HTMLParser遍历了网页的内容以后，以树（森林）结构保存了结果，各个节点代表HTML中的标签和属性值，非常类似于XML解析器解析后的结果，也类似与html dom的结构；HTMLParser访问结果内容的方法有两种：使用Filter和使用Visitor，一般Filter用的多一些，用于提取特定的网页信息。
（3）官方API说明 ?? （需要Google的）
二：主要函数功能说明：
（1）HTMLParser的核心模块是org.htmlparser.Parser类，这个类实际完成了对于HTML页面的分析工作。这个类有下面几个构造函数：
?public?Parser?();
????public?Parser?(Lexer?lexer,?ParserFeedback?fb);
???public?Parser?(URLConnection?connection,?ParserFeedback?fb)?throws?ParserException;
????public?Parser?(String?resource,?ParserFeedback?feedback)?throws?ParserException;
???public?Parser?(String?resource)?throws?ParserException;
????public?Parser?(Lexer?lexer);
????public?Parser?(URLConnection?connection)?throws?ParserException;
????和一个静态类?public?static?Parser?createParser?(String?html,?String?charset);
（2）HTMLParser将解析过的信息保存为一个树的结构。Node是信息保存的数据类型基础。
请看Node的定义：
public?interface?Node?extends?Cloneable;
Node中包含的方法有几类：
对于树型结构进行遍历的函数，这些函数最容易理解：
Node?getParent?()：取得父节点
NodeList?getChildren?()：取得子节点的列表
Node?getFirstChild?()：取得第一个子节点
Node?getLastChild?()：取得最后一个子节点
Node?getPreviousSibling?()：取得前一个兄弟（不好意思，英文是兄弟姐妹，直译太麻烦而且不符合习惯，对不起女同胞了）
Node?getNextSibling?()：取得下一个兄弟节点
取得Node内容的函数：
String?getText?()：取得文本
String?toPlainTextString()：取得纯文本信息。
String?toHtml?()?：取得HTML信息（原始HTML）
String?toHtml?(boolean?verbatim)：取得HTML信息（原始HTML）
String?toString?()：取得字符串信息（原始HTML）
Page?getPage?()：取得这个Node对应的Page对象
int?getStartPosition?()：取得这个Node在HTML页面中的起始位置
int?getEndPosition?()：取得这个Node在HTML页面中的结束位置
（3）其它函数：
void?collectInto?(NodeList?list,?NodeFilter?filter)：基于filter的条件对于这个节点进行过滤，符合条件的节点放到list中。
用于Visitor遍历的函数：
void?accept?(NodeVisitor?visitor)：对这个Node应用visitor
用于修改内容的函数，这类用得比较少：
void?setPage?(Page?page)：设置这个Node对应的Page对象
void?setText?(String?text)：设置文本
void?setChildren?(NodeList?children)：设置子节点列表
（4）用于Filter过滤的函数
顾名思义，Filter就是对于结果进行过滤，取得需要的内容。HTMLParser在org.htmlparser.filters包之内一共定义了16个不同的Filter，也可以分为几类。
判断类Filter：
TagNameFilter ? ----- html标签指定指定过滤器
HasAttributeFilter ?------ ?属性和属性值指定过滤器
HasChildFilter
HasParentFilter
HasSiblingFilter
IsEqualFilter
逻辑运算Filter：
AndFilter ?------ 同时满足两个或多个过滤条件的过滤器
NotFilter ? ------ ?非
OrFilter ? ?------- ?或
XorFilter
其他Filter：
NodeClassFilter
StringFilter ? ------- ?过滤敏感信息的过滤器
LinkStringFilter ?--------- 过滤敏感链接信息的过滤器
LinkRegexFilter
RegexFilter
CssSelectorNodeFilter
所有的Filter类都实现了org.htmlparser.NodeFilter接口。这个接口只有一个主要函数：
boolean accept (Node node);
各个子类分别实现这个函数，用于判断输入的Node是否符合这个Filter的过滤条件，如果符合，返回true，否则返回false。
三：html结构解析图示说明
（1）html代码
<html>
<head>
<title>HTML DOM</title>
</head>
<body>
<h1>DOM的结构</h1>
<p><a href="href">链接</a></p>
</body>
</html>
（2）html的dom结构（即parser后的解析树形结构）
（3）说明
- 由结构图中我们可以看到，整个文档就是一个文档节点。
- 而每一个HMTL标签都是一个元素节点。
- 标签中的文字则是文字节点。
- 标签的属性是属性节点。
- 一切都是节点……
总之，节点树的概念从图中一目了然，最上面的就是“树根”了。节点之间有父子关系，祖先与子孙关系，兄妹关系。这些关系从图中也很好看出来，直接连线的就是父子关系了。而有一个父亲的就是兄妹关系……更多dom详见W3C
