html 解析器 java_领先的Java HTML解析器的优缺点是什么？

一般

几乎所有已知的HTML解析器都实现了W3C DOM API(JAXPAPI的一部分，用于XML处理的JavaAPI)，并给出org.w3c.dom.DocumentBack，可供JAXPAPI直接使用。主要的区别通常出现在所讨论的解析器的特性中。大多数解析器在一定程度上对格式不正确的HTML(“标签汤”)表示宽容和宽容，就像吉蒂, NekoHTML, 汤汤和HtmlCleaner..您通常使用这种HTML解析器来“整理”HTML源代码(例如，替换HTML-有效的)。
由xml-有效
)，以便您可以使用W3CDOM和JAXPAPI来遍历它。

HtmlUnit

HtmlUnit提供一个完全属于自己的API，使您有可能以编程方式执行Web浏览器的操作。即。输入表单值，单击元素，调用JavaScript等等。它不仅仅是一个HTML解析器。这是一个真正的“GUI无浏览器”和HTML单元测试工具。

珍汤

珍汤还提供了一个完全自己的API。它使您可以使用jQuery-喜欢CSS选择器并提供一个灵活的API来遍历HTMLDOM树以获得感兴趣的元素。

特别是HTML DOM树的遍历是JSOUP的主要优势。曾经共事过的人org.w3c.dom.Document知道用冗长的文字遍历DOM是多么痛苦NodeList和NodeAPI。是真的，XPath使生活变得更容易，但是，这是另一个学习曲线，它可能最终仍然冗长。

下面是一个示例，它使用像JTidy这样的“普通”W3C DOM解析器和XPath来提取问题的第一段和所有回答者的名称(因为没有XPath，收集感兴趣的信息所需的代码就会增长10倍，而无需编写实用程序/助手方法)。String url = "http://stackoverflow.com/questions/3152138";Document document = new Tidy().parseDOM(new URL(url).openStream(), null);

XPath xpath = XPathFactory.newInstance().newXPath();Node question = (Node) xpath.compile("//*[@id='question']//*[contains(@class,'post-text')]

//p[1]").evaluate(document, XPathConstants.NODE);System.out.println("Question: " + question.getFirstChild().getNodeValue());

NodeList answerers = (NodeList) xpath.compile("//*[@id='answers']//*[contains(@class,'user-details')]//a[1]").

evaluate(document, XPathConstants.NODESET);for (int i = 0; i 

System.out.println("Answerer: " + answerers.item(i).getFirstChild().getNodeValue());}

下面是一个示例，说明如何对JSOUP进行完全相同的操作：String url = "http://stackoverflow.com/questions/3152138";Document document = Jsoup.connect(url).get();

Element question = document.select("#question .post-text p").first();System.out.println("Question: " + question.text());

Elements answerers = document.select("#answers .user-details a");for (Element answerer : answerers) {

System.out.println("Answerer: " + answerer.text());}

你看到区别了吗？它不仅代码较少，而且如果您已经对CSS选择器有了一定的经验(例如通过开发网站和/或使用jQuery)，那么JSOUP也相对容易掌握。

摘要

现在，每一种方法的利弊都应该很清楚。如果您只想使用标准的JAXPAPI来遍历它，那么就选择第一个提到的解析器组。有漂亮的很多他们。选择哪一个取决于它提供的特性(HTML清理是如何使您轻松的？)是否存在一些侦听器/拦截器和特定于标记的清除程序？)以及库的健壮性(它多久更新一次/维护/修复？)。如果您喜欢单元测试HTML，那么HtmlUnit就是方法之一。如果您喜欢从HTML中提取特定的数据(这通常是现实世界中的需求)，那么JSOUP就是最好的选择。