哪些HTML解析器具有以下功能：
- 快速
- 线程安全
- 可靠且无错误
- 解析HTML和XML
- 处理错误的HTML
- 具有DOM实现
- 支持HTML4、JavaScript和CSS标签
- 相对简单的面向对象API
您认为哪个解析器更好？
谢谢。
7个回答
16
请查看Web Harvest。它既是一个可供使用的库，也是一个数据提取工具。听起来这正是你想要做的。你可以创建XML脚本文件来指示抓取器从哪里以及如何提取所需信息。提供的GUI非常有用，能够快速测试脚本。
请查看项目示例页面，看看它是否适合你所要做的事情。
- Cesar
1
2如果您想要进行网页抓取，那么Web Harvest是值得推荐的工具。+1 推荐。 - jckdnk111
7
- Valentin Rocher
5
为什么？它们具有哪些特性？ - Shayan
SAX 不是我想要的，而 JTidy 的主要目的是清理 XML。你确定它比其他工具更适合我想要的吗？ - Shayan
你到底想要什么？ - Valentin Rocher
它应该基于DOM。我希望提取是它的主要工作，而不是转换。 - Shayan
只要它能够做你想要的事情，那么它的“主要”工作并不重要。 - Anon.
5
Apache Tika 是最佳选择。Apache 最近从现有项目中提取了许多子项目并将它们公开。Tika 是其中之一，曾经是 Apache Lucene 的一个组件。由于 Apache 的支持和声誉以及广泛使用的父项目 Lucene，它必定是一个非常好的选择。此外，它是开源的。
来自 Apache Tika 网站的简要介绍：
Apache Tika™ 工具包使用现有的解析器库检测和提取各种文档的元数据和结构化文本内容。
支持的格式有：
HyperText Markup Language XML and derived formats Microsoft Office document formats OpenDocument Format Portable Document Format Electronic Publication Format Rich Text Format Compression and packaging formats Text formats Audio formats Image formats Video formats Java class files and archives The mbox format
- Shayan
2
1Apache Tika是一个很好的建议。即使您不感兴趣阅读XML/HTML/MS DOC格式，您也可以只指定“text/plain”。它将流式传输数据，因此无需预先加载整个文件。好处列表：http://tika.apache.org/1.4/parser.html 带有示例代码的文章：http://www.openlogic.com/wazi/bid/314389/Content-mining-with-Apache-Tika - Salvador Valencia
1我来寻找一个可靠的HTML解析器，最终找到了一个无需花费时间进行泛化的解析器。我喜欢这个游戏。 - Inversus
1
好的：
在Java中，像你所需的那样，没有太多好的HTML解析器可用，但这里有一些替代方案：http://java-source.net/open-source/html-parsers
其中很少有支持JavaScript的。实际上，我认为您将不得不使用Rhino（http://www.mozilla.org/rhino/）自己完成此部分。
- Kico Lobo
1
我认为HTML Cleaner就是你要找的东西。在TheServerSide上看看它的公告，看看它与JTidy、TagSoup和NekoHtml相比如何。
- Pascal Thivent
2
但这也是为了转换成良好的XML格式。我的主要目标是从中提取数据。 - Shayan
@Shayan 那又怎样？它不允许你从中提取数据吗？它不提供DOM操作吗？它不允许解析糟糕的HTML吗？我不明白你的意思。 - Pascal Thivent
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接