用于HTML分析的Java库

Question

（我见过类似的问题，但我认为这些问题都不能满足我的特定需求，因此...）

我想知道是否有一个Java库，用于分析现实世界（阅读不完整，格式错误）的HTML。 通过分析，我的意思是：

• 找出HTML块中最突出的颜色
• 将颜色更改为其他颜色（因此，还必须支持HTML的修改）
• 修剪掉不需要的标签
• 修复HTML以生成格式正确的HTML代码段

最后两个部分由Jericho和jTidy等库完成。 在这些之上的“插件”会很棒。

提前致谢！

Answer 1

您可能想查看TagSoup：

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

Answer 2

好吧，我先将其整理成有效的XML，然后使用XSLT进行条件深层复制，在该区域中，我将进行最突出的颜色/修剪/所需的任何处理。

Answer 3

看一下JTidy ，它是HTML Tidy的Java端口。 根据您选择的选项，它将修复格式不正确的HTML并进行清理。

您还需要其他东西来改变颜色。

Answer 4

也许您会在此列表中找到某些内容（尝试使用TagSoup，NekoHTML，VietSpider HTMLParser）。