在java中解析html以提取信息

【问题标题】：parsing html in java to extract information在java中解析html以提取信息
【发布时间】：2012-09-15 08:20:02
【问题描述】：

如果您告诉我是否有一个 java 类可以根据 XML 从 HTML 页面中提取信息，我将不胜感激？

谢谢

【问题讨论】：

【解决方案1】：

您可以使用Jsoup。我使用它并且非常适合解析html。这是来自 Jsoup 网站的示例：

示例获取 Wikipedia 主页，将其解析为 DOM，然后将新闻部分中的标题选择到元素列表中：

Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
Elements newsHeadlines = doc.select("#mp-itn b a");

【讨论】：

谢谢，但是这里的xml是怎么定义的？
看看stackoverflow.com/questions/6722307/…

【解决方案2】：

就我个人而言，我使用Cobra。

它允许您将 HTML 视为 XML，创建一个 DOM。这允许您使用诸如 xPath 之类的工具

看看Java HTML Parser的例子

【讨论】：

【解决方案3】：

我使用了 HtmlUnit：

final HtmlPage page1 = webClient.getPage("https://jira/secure/Dashboard.jspa");
final HtmlForm form = page1.getFormByName("loginform");
final HtmlTextInput textField = form.getInputByName("os_username");
final HtmlPasswordInput pwd = form.getInputByName("os_password");
textField.setValueAttribute(jname);
pwd.setValueAttribute(jpasswd);
final HtmlPage page2 = (HtmlPage) form.getInputByValue("Login").click();

【讨论】：