「HTMLをパースする」の編集履歴（バックアップ）一覧はこちら

「HTMLをパースする」(2011/05/18 (水) 18:46:59) の最新版変更点

追加された行は緑色になります。

削除された行は赤色になります。

Android SDKにはXMLのパーサがありますが、HTMLのパーサは含まれていません。
そこで外部ライブラリ(TagSoup)を使ってHTMLをパースする方法を紹介します。
＃Android内部でもTagSoupが使われているらしいのですが、SDKからは使えないようになっているようです(非公開クラス)

** TagSoupをダウンロードする
http://home.ccil.org/~cowan/XML/tagsoup/からjarファイルをダウンロードし、任意の場所に置く
※確認時はバージョン1.2で行いました。

** jarファイルを取り込む
TagSoupを利用したいプロジェクトを右クリックし、[Build Path]-[Add External Archives..]を選択
先ほどダウンロードしたjarファイルを指定してOK

Android SDKにはXMLのパーサがありますが、HTMLのパーサは含まれていません。
そこで外部ライブラリ(TagSoup)を使ってHTMLをパースする方法を紹介します。
＃Android内部でもTagSoupが使われているらしいのですが、SDKからは使えないようになっているようです(非公開クラス)

** TagSoupをダウンロードする
http://home.ccil.org/~cowan/XML/tagsoup/からjarファイルをダウンロードし、任意の場所に置く
※確認時はバージョン1.2で行いました。

** jarファイルを取り込む
TagSoupを利用したいプロジェクトを右クリックし、[Build Path]-[Add External Archives..]を選択
先ほどダウンロードしたjarファイルを指定してOK

利用までの手順は上記だけです。
具体的な利用例としては下記のようになります。

 import java.io.InputStream;
 import java.io.InputStreamReader;
 
 import org.ccil.cowan.tagsoup.Parser;
 import org.xml.sax.Attributes;
 import org.xml.sax.ContentHandler;
 import org.xml.sax.InputSource;
 import org.xml.sax.Locator;
 import org.xml.sax.SAXException;
 
 public class HtmlReader implements ContentHandler {
     public void parse(InputStream is) {
         Parser parser = new Parser();
         try {
             parser.setContentHandler(this);
             parser.setFeature(Parser.namespacesFeature, false);
             parser.parse(new InputSource(new InputStreamReader(is, "UTF-8")));
         } catch (Exception e) {
             e.printStackTrace();
         }
     }
 }

あとはSAXインタフェースでコールバックされるので、コールバック関数内でやりたい処理を追加すればよい(コールバック関数については割愛)
なお、文字コードの自動判別は行われないので、文字化けする場合は自前で文字コードを指定する必要がある(上記例ではUTF-8を指定)