我在工作中需要大量进行HTML解析。目前，我正在使用HtmlUnit无头浏览器进行解析和浏览器自动化。
现在，我希望将这两个任务分开。
我想使用一个轻量级的HTML解析器，因为在HtmlUnit中，首先加载页面，然后获取源代码并解析它需要很长时间。
我想知道哪个HTML解析器可以高效地解析HTML。我需要：
如果不清理脏的HTML代码，也可以接受。我不需要清理任何HTML源代码。我只需要一种最简单的方法来遍历HtmlElements并从中收集数据。
自我介绍一下：我刚发布了一个新的Java HTML解析器：jsoup。我在这里提到它是因为我认为它能够满足你的需求。
它的特色是使用CSS选择器语法来查找元素，例如：
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
Elements links = doc.select("a");
Element head = doc.select("head").first();
查看Selector javadoc获取更多信息。
这是一个新项目，因此非常欢迎提出改进意见！
HtmlCleaner是用Java编写的开源HTML解析器。在网络上找到的HTML通常是肮脏的、格式不正确的，不适合进一步处理。对于这些文档的任何重要使用，首先需要清理混乱并将标记、属性和普通文本排序。对于给定的HTML文档，HtmlCleaner重新排序各个元素，并生成格式良好的XML。默认情况下，它遵循大多数Web浏览器使用的类似规则，以创建文档对象模型。但是，用户可以提供自定义标签和规则集来进行标记过滤和平衡。
使用HtmlCleaner，您可以使用XPath定位任何元素。
有关其他HTML解析器，请参见此SO问题。
我建议使用基于HTML5解析算法的Validator.nu解析器。自2010年5月3日起，Mozilla浏览器也开始使用该解析器。