針對Java的JTidy或Jsoup

Question

最近我一直在用BeautifulSoup開發python中的web scrapers。現在我想知道哪些庫是Java中最受歡迎的。我做了一些搜索，主要是我看到了JTidy和JSoup。他們有什麼區別？

Answer 1

JTidy更常用於整齊的HTML，也就是說，要修復格式不正確或錯誤的HTML，如沒有結束的標記，例如，從<div><span>text</div>到<div><span>text</span></div。

JSoup，在另一方面，提供了一個全面的API來解析HTML 和到提取份的它。它允許您使用像selectors這樣的jQuery來查找元素，或者DOM methods，與您在JavaScript中使用的元素相同，如getElementById。我會說JSoup確實是Java的BeautifulSoup等價物。

例如，提取維基百科文章與JSoup第一款，你可以使用以下命令：

String url = "http://en.wikipedia.org/wiki/Potato"; 
Document doc = Jsoup.connect(url).get(); 
Elements paragraphs = doc.select(".mw-content-ltr p"); 
String firstParagraph = paragraphs.first().text(); 

或者從中提取這個自己的問題標題：

Document doc = Jsoup.connect("http://stackoverflow.com/questions/12439078/jtidy-or-jsoup-for-java").get(); 
String question = doc.select("#question-header a").text(); // JTidy or Jsoup for Java 

相當不錯的API，呃？ :-)