用于 Java 的 JTidy 或 Jsoup

Question

最近我一直在用 BeautifulSoup 在 python 中开发网络爬虫。现在我想知道在 Java 中哪些库是最受欢迎的。我做了一些搜索，主要是看到 JTidy 和 JSoup。它们有什么区别？

Answer 1

JTidy 更常用于整理 HTML，即修复格式错误或错误的HTML，例如未闭合的标签，例如来自<div><span>text</div>到<div><span>text</span></div。

另一方面，

JSoup 提供了一个完整的 API 来解析 HTML 和以提取部分。它允许您使用像selectors 这样的jQuery 来查找元素，或者使用DOM methods，相当于您在JavaScript 中使用的那些，例如getElementById。我想说 JSoup 确实是 Java 的 BeautifulSoup 等价物。

例如，要使用 JSoup 提取 Wikipedia 文章的第一段，您可以使用以下命令：

String url = "http://en.wikipedia.org/wiki/Potato";
Document doc = Jsoup.connect(url).get();
Elements paragraphs = doc.select(".mw-content-ltr p");
String firstParagraph = paragraphs.first().text();

或者从这个自己的问题中提取标题：

Document doc = Jsoup.connect("http://stackoverflow.com/questions/12439078/jtidy-or-jsoup-for-java").get();
String question = doc.select("#question-header a").text(); // JTidy or Jsoup for Java

相当不错的 API，是吗？ :-)