net.sf.regain.crawler.preparator.html
Class HtmlPathExtractor

java.lang.Object
  net.sf.regain.crawler.preparator.html.AbstractExtractor
      net.sf.regain.crawler.preparator.html.HtmlPathExtractor

public class HtmlPathExtractor
extends AbstractExtractor

Extrahiert aus einem HTML-Dokument den Pfad, über den es zu erreichen ist.

Author:

Til Schneider, www.murfman.de

Field Summary

private org.apache.regexp.RE	mPathNodeRE Der Regul�re Ausdruck, der ein Pfadelement findet.
private int	mPathNodeTitleGroup Die Gruppe, die den Titel im Regul�re Ausdruck findet.
private int	mPathNodeUrlGroup Die Gruppe, die die URL im Regul�re Ausdruck findet.

Constructor Summary

HtmlPathExtractor(String prefix, String pathStartRegex, String pathEndRegex, String pathNodeRegex, int pathNodeUrlGroup, int pathNodeTitleGroup)
Erzeugt eine neue HtmlPathExtractor-Instanz.

Method Summary

PathElement[]

extractPath(RawDocument rawDocument) Extrahiert aus dem gegebenen HTML-Dokument den Pfad über den es zu erreichen ist.

Methods inherited from class net.sf.regain.crawler.preparator.html.AbstractExtractor

accepts, extractFragment

Methods inherited from class java.lang.Object

clone, equals, finalize, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

Field Detail

mPathNodeRE

private org.apache.regexp.RE mPathNodeRE

Der Regul�re Ausdruck, der ein Pfadelement findet.

mPathNodeUrlGroup

private int mPathNodeUrlGroup

Die Gruppe, die die URL im Regul�re Ausdruck findet.

mPathNodeTitleGroup

private int mPathNodeTitleGroup

Die Gruppe, die den Titel im Regul�re Ausdruck findet.

Constructor Detail

HtmlPathExtractor

public HtmlPathExtractor(String prefix,
                         String pathStartRegex,
                         String pathEndRegex,
                         String pathNodeRegex,
                         int pathNodeUrlGroup,
                         int pathNodeTitleGroup)
                  throws RegainException

Erzeugt eine neue HtmlPathExtractor-Instanz.

Parameters:

prefix - Der Präfix den eine URL haben muss, damit das zugeh�rige Dokument von diesem HtmlPathExtractor bearbeitet wird.

pathStartRegex - Der Regul�re Ausdruck, der die Stelle findet, wo die Pfadangabe beginnt.

Ist null oder Leerstring, wenn der Pfad am Anfang des HTML-Dokuments beginnt.

pathEndRegex - Der Regul�re Ausdruck, der die Stelle findet, wo die Pfadangabe endet.

Ist null oder Leerstring, wenn der Pfad am Ende des HTML-Dokuments endet.

pathNodeRegex - Der Regul�re Ausdruck, der ein Pfadelement findet.

pathNodeUrlGroup - Die Gruppe, die die URL im Regul�re Ausdruck findet.

pathNodeTitleGroup - Die Gruppe, die den Titel im Regul�re Ausdruck findet.

Throws:

RegainException - Wenn ein Regul�rer Ausdruck einen Syntaxfehler enthält.

Method Detail

extractPath

public PathElement[] extractPath(RawDocument rawDocument)
                          throws RegainException

Extrahiert aus dem gegebenen HTML-Dokument den Pfad über den es zu erreichen ist.

Parameters:

rawDocument - Das Dokument, aus dem der Pfad extrahiert werden soll.

Returns:

Der Pfad über den das Dokument zu erreichen ist oder null, wenn kein Pfad gefunden wurde.

Throws:

RegainException - Wenn das Dokument nicht gelesen werden konnte.