可以解析HTML文档并构建DOM树（java）

Question

是否可能以及可以使用哪些工具将html文档解析为字符串或文件，然后构造DOM树，以便开发人员可以通过一些API遍历该树。

例如：

DomRoot = parse("myhtml.html");

for (tags : DomRoot) {
}

注意：这是HTML文档，而不是XHtml。

Answer 1

您可以使用TagSoup-它是一种符合SAX的解析器，可以将格式错误的内容（例如HTML）从常规网页清除为格式正确的XML。

This is <B>bold, <I>bold italic, </b>italic, </i>normal text

gets correctly rewritten as:

This is <b>bold, <i>bold italic, </i></b><i>italic, </i>normal text.

Answer 2

JTidy应该让您做自己想做的事。

用法相当简单，但是解析是可配置的。 例如：

InputStream in = ...;
Tidy tidy = new Tidy();
// configure Tidy instance as required
...
...
Document doc = tidy.parseDOM(in, null);
Element root = doc.getDocumentElement();

JavaDoc托管在这里 。

Answer 3

您可以看一下NekoHTML ，这是一个Java库，可以在文档中尽最大努力清除和平衡标签。 这是解析格式错误的HTML（或无效XML）文件的简便方法。

它根据Apache 2.0许可证分发。

Answer 4

HTML Parser似乎支持从HTML到XML的转换。 然后，您可以使用通常的Java工具链来构建DOM树。

Answer 5

有几种开源工具可以从Java解析HTML。

检查http://java-source.net/open-source/html-parsers

您也可以检查以下问题的答案： 使用Java将HTML文件读取到DOM树中几乎是相同的...