用于 HTML 分析的 Java 库答案

【问题标题】：Java library for HTML analysis用于 HTML 分析的 Java 库
【发布时间】：2011-01-09 20:08:54
【问题描述】：

（我见过类似的问题，但我认为它们都不能满足我的特定需求，因此......）

我想知道是否有用于分析真实世界（阅读：不完整、格式错误）HTML 的 Java 库。通过分析，我的意思是：

最后两个部分由 Jericho 和 jTidy 等库完成。在这些之上的“插件”会很棒。

提前致谢！

【问题讨论】：

【解决方案1】：

您可能想查看 TagSoup：

【讨论】：

【解决方案2】：

我会先把它整理成有效的 XML，然后使用 XSLT 做一个有条件的深拷贝，在那里我会做最突出的颜色/修剪/你需要的任何处理。

【讨论】：

【解决方案3】：

看看JTidy，HTML Tidy 的 Java 端口。根据您选择的选项，它会修复格式不正确的 HTML 并以其他方式清理它。

你需要别的东西来改变颜色。

【讨论】：

【解决方案4】：

也许你会在this list 中找到一些东西（试试 TagSoup、NekoHTML、VietSpider HTMLParser）。

【讨论】：