有什么好的 Java HTML 解析器吗？答案

【问题标题】：Any good Java HTML parsers?有什么好的 Java HTML 解析器吗？
【发布时间】：2010-12-20 20:07:56
【问题描述】：

到目前为止，我一直在使用 Cobra，因为它非常简单，但不幸的是，它在一些测试用例中遇到了一些问题。有人推荐一个久经考验的库吗？

我已经尝试过 Cobra 的内置一体机和 HTMLCleaner，但没有任何运气。

【问题讨论】：

从您的最后一个问题来看，问题不在于“XPath 评估器”。您正在使用XPathFactory.newInstance()，它创建了可处理加载到DOM 模型中的任何XML 文档（作为Document 的实例）的普通Java 评估器。 CORBA 本身不是 XPath 评估器 - 它是一个生成 Document 的 HTML 解析器，在您的情况下它做错了。所以你真正想要的是一个“好的 Java HTML 解析器”，而不是“好的 Java XPath 评估器”。
糟糕...抱歉。我已经修改了我的问题...我只是对眼前的所有 HTML 发疯了...
我确定本周早些时候也有同样的问题......

【解决方案1】：

看看Saxon（不，我与产品没有任何关系，只是一个满意的用户）。

【讨论】：

【解决方案2】：

Mozilla HTML Parser 看起来很有趣。根据定义，它应该与 Gecko 引擎本身一样好，这很可能满足您的需求。

【讨论】：

【解决方案3】：

TagSoup 在处理糟糕的 HTML/XHTML 时非常棒。

Jericho（和NekoHTML）也可以解析无效的 HTML。

TagSoup 和 Jericho：久经考验。 NekoHTML：来自可靠来源的反馈。

【讨论】：

【解决方案4】：

[答题——整体题与cmets不一致]

JTidy (http://jtidy.sourceforge.net/) 是 Dave Raggett 的 HTMLTidy 的一个端口。虽然我认为开发可能已经放缓/停止，但它非常有用。

【讨论】：

【解决方案5】：

我建议Validator.nu's parser，基于 HTML5 解析算法。（Mozilla 目前正在用这个替换它自己的 HTML 解析器。）

【讨论】：