使用Java HTML解析器提取文本

Question

我想使用一个HTML解析器，以一种优美，优雅的方式执行以下操作

1. 提取文字（这很重要）
2. 提取链接，元关键字
3. 重建原始文档（可选，但功能不错）

根据我的调查，到目前为止， 墨西哥煎蛋饼似乎很合适。 你们会推荐其他开源库吗？

Answer 1

我最近尝试了HtmlCleaner和Cyber​​NekoHtml。 Cyber​​NekoHtml是一个DOM / SAX解析器，可产生可预测的结果。 HtmlCleaner快一点，但通常无法产生准确的结果。

我会推荐Cyber​​NekoHtml。 Cyber​​NekoHtml可以完成您提到的所有事情。 例如，提取所有元素及其属性的列表非常容易。 如果您要重建页面，则可以遍历将每个元素重新构建为HTML的DOM树。

这里有一个开源的Java html解析器列表： http : //java-source.net/open-source/html-parsers

Answer 2

我肯定会去JSoup。

非常优雅的图书馆，可满足您的需求。

在这里查看示例

Answer 3

我最终使用HtmlCleaner http://htmlcleaner.sourceforge.net/进行了类似的操作。 它真的很容易使用，并且可以快速满足我的需求。