Java庫，用於分析HTML

Question

（我已經看到了類似的問題，但我認爲他們沒有滿足我的特定需求，所以......）

我想知道是否有一個Java庫，用於分析現實世界（閱讀：不完整，格式不正確）的HTML。通過分析，我的意思的東西，如：

• 在HTML塊
• 找出最突出的顏色改變這種顏色到其他顏色（因此，必須支持HTML的修改以及）
• 修剪掉不需要的標籤
• 固定了HTML導致一個良好的HTML片段中最後兩個

的部分由庫，如傑里科，和jTidy完成。在這些之上的'插件'會很棒。

在此先感謝！

Answer 1

你可能想看看TagSoup：

http://home.ccil.org/~cowan/XML/tagsoup/

Answer 2

查看JTidy，Java端口號爲HTML Tidy。它將根據您選擇的選項來修復非格式良好的HTML並進行清理。

你需要別的東西來換色。

Answer 3

那麼我會先把它整理成有效的XML，然後使用XSLT做一個有條件的深層複製，在那裏我會做最突出的顏色/修剪/你需要的任何處理。

Answer 4

也許你會發現在this list東西（嘗試TagSoup，NekoHTML，VietSpider的HTMLParser）。