解析 HTML 文档并替换整个标签段的最佳方法

Question

我正在尝试找到从上到下解析 HTML 文档的最佳方法 将某些标签组替换为不同的标签并创建更新的文件。 我更喜欢使用 Java、VB.NET 或 PHP。

有几个类，例如JSoup，Jericho等，似乎可以很好地替换特定标签，但我想做的是替换/重写整个段。

例如我可能正在寻找一个表格，例如。

<table><tr><th>A header</th></tr><tr><td>Some text</td></tr><tr><td>More text</td></tr></table>

我想用

替换它

<div class="header">A header</div><p>Some text. More text</p>

但是，希望 HTML 文档的其余部分保持不变。

有人做过吗？最简单的方法是什么？你能推荐一个好的 HTML 解析器吗？

我正在解析的文档是 XHTML，所以我考虑过使用 java DOM 或 SAX 工具，但是，我发现这些工具很麻烦，想知道是否有更好的方法来处理一些现有的类。

非常感谢您的帮助。

Answer 1

是的，您需要一个 html 解析器来轻松正确地解析 html。你可以使用

jsoup: Java HTML Parser

jsoup 是一个用于处理真实世界 HTML 的 Java 库。它提供 一个非常方便的 API，用于提取和操作数据，使用 最好的 DOM。

用soup解析一个html就这么简单：

String html = "<table><tr><th>A header</th></tr><tr><td>Some text</td></tr><tr><td>More text</td></tr></table>";
Document doc = Jsoup.parse(html);