0

我想使用一个 html 解析器，它以一种很好、优雅的方式执行以下操作

  1. 提取文本（这是最重要的）
  2. 提取链接、元关键字
  3. 重建原始文档（可选但不错的功能）

从我目前的调查来看，jericho似乎很合适。你们会推荐其他任何开源库吗？

4

3 回答 3

2

我最近尝试了 HtmlCleaner 和 Cyber​​NekoHtml。Cyber​​NekoHtml 是一个 DOM/SAX 解析器，可以产生可预测的结果。HtmlCleaner 稍微快一点，但通常无法产生准确的结果。

我会推荐 Cyber​​NekoHtml。Cyber​​NekoHtml 可以做你提到的所有事情。例如，提取所有元素及其属性的列表非常容易。如果您想重建页面，则可以遍历将每个元素构建回 HTML 的 DOM 树。

这里有一个开源 java html 解析器列表：http: //java-source.net/open-source/html-parsers

于 2010-04-09T19:17:37.747 回答
2

我肯定会去 JSoup。

非常优雅的库，完全符合您的需求。

请参阅此处的示例

于 2017-02-08T16:08:34.197 回答
0

我最终使用 HtmlCleaner http://htmlcleaner.sourceforge.net/来做类似的事情。它非常易于使用，并且可以快速满足我的需求。

于 2010-04-09T18:48:26.340 回答