使用Java將HTML文件讀取到DOM樹

Question

是否有能夠使用Java將HTML文檔讀入DOM樹的解析器/庫？我想使用Java提供的標準DOM/Xpath API。

大多數庫似乎都有自定義API來解決此任務。此外，HTML到XML-DOM的轉換似乎大多數可用的解析器都不支持。

任何有關良好HTML DOM解析器的想法或經驗？

Answer 1

JTidy，要麼通過處理流到XHTML，然後使用您最喜歡的DOM實現來重新解析，要麼使用parseDOM，如果有限的DOM imp給你足夠的話。

或者Neko。

Answer 2

Apache's Xerces2 parser應該做你想做的。

Answer 3

TagSoup可以做你想做的。

Answer 4

由於HTML文件通常有問題，因此您需要先使用解析器/掃描儀清理它們。我曾經使用過JTidy，但從未愉快。 NekoHTML的作品沒問題，但是這些工具中的任何一種都只是對想要的內容做出最好的猜測。您實際上要求讓程序更改文檔的標記，直到它符合架構。這可能會導致結構（標記），樣式或內容丟失。這是不可避免的，除非您通過瀏覽器手動掃描（然後您必須信任瀏覽器），否則您不會真正知道缺失的內容。

這真的取決於你的目的—如果你有成千上萬的醜陋的文件與大量無關（非HTML）標記，然後手動過程可能是不合理的。如果您的目標是幾個重要文檔的準確性，那麼手動修復它們是一個合理的建議。

一種方法是在編輯循環中使用錯誤消息最終修復損壞的標記，從而通過格式良好的和/或驗證解析器重複傳遞源的手動過程。這確實需要對XML有所瞭解，但這不是一個糟糕的教育。

隨着Java 5的必要XML特性—被稱爲JAXP API —現在已內置到Java本身;你不需要任何外部庫。

您首先獲取DocumentBuilderFactory的實例，設置其功能，創建DocumentBuilder（解析器），然後使用InputSource調用其parse（）方法。 InputSource有許多可能的構造函數，在以下示例中使用StringReader：

import javax.xml.parsers.*; 
// ... 

DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance(); 
dbf.setValidating(false); 
dbf.setNamespaceAware(true); 
dbf.setIgnoringComments(false); 
dbf.setIgnoringElementContentWhitespace(false); 
dbf.setExpandEntityReferences(false); 
DocumentBuilder db = dbf.newDocumentBuilder(); 
return db.parse(new InputSource(new StringReader(source))); 

這將返回一個DOM Document。如果您不介意使用外部庫，那麼也有JDOM和XOM API，雖然它們比JAXP中的SAX和DOM API有一些優勢，但它們確實需要添加非Java庫。 DOM可能有點麻煩，但經過這麼多年的使用，我不再介意了。

Answer 5

這是一個可能有用的鏈接。這是一個開源的Java解析器列表Open Source HTML Parsers in Java