Java - 从字符串中提取 html 信息答案

【问题标题】：Java - Extract html information from stringJava - 从字符串中提取 html 信息
【发布时间】：2012-09-28 06:38:06
【问题描述】：

那里的所有指南都告诉我如何从文本中删除 HTML 标记以提取它们之间的文本。我所追求的是提取 HTML 标记中的数据。

例如

如果我有一个字符串：

 "<FONT SIZE="5">Hello World</FONT>"

我想获取字体大小信息来更新其他变量。我该怎么办？

【问题讨论】：

【解决方案1】：

为此，我已经多次使用jsoup。这是一个宽松的 HTML 解析器。小心尝试将其解析为“标准”XML，因为 XML 解析本质上是严格的，如果页面不符合 XML 标记规范（很少有 HTML 页面这样做），则会失败。

【讨论】：

【解决方案2】：

您可以使用一个可用的用于 HTML 解析的 Java 库来解决这个问题，例如 TagSoup。

【讨论】：

【解决方案3】：

您可以使用像 jerichoHTML 这样的库，它使您能够搜索 HTML 标签及其属性，或者您自己构建一些 DOM。

【讨论】：

【解决方案4】：

看看这个： http://en.wikipedia.org/wiki/Java_API_for_XML_Processing 如果您解析 HTML，您应该能够从 DOM 树中提取值。

【讨论】：

-1 非常糟糕的主意。很少有 HTML 页面与 XML 足够接近，可以被 XML 解析器解析。 HTML != XML。而且由于浏览器是宽松的，即使是用 XHTML 开发的页面也往往是“草率的”。