使用Java HTML解析器提取文本

Question

我想使用一個HTML解析器，以一種優美，優雅的方式執行以下操作

1. 提取文字（這很重要）
2. 提取鏈接，元關鍵字
3. 重建原始文檔（可選，但功能不錯）

根據我的調查，到目前為止， 墨西哥煎蛋餅似乎很合適。 你們會推薦其他開源庫嗎？

Answer 1

我最近嘗試了HtmlCleaner和Cyber​​NekoHtml。 Cyber​​NekoHtml是一個DOM / SAX解析器，可產生可預測的結果。 HtmlCleaner快一點，但通常無法產生准確的結果。

我會推薦Cyber​​NekoHtml。 Cyber​​NekoHtml可以完成您提到的所有事情。 例如，提取所有元素及其屬性的列表非常容易。 如果您要重建頁面，則可以遍歷將每個元素重新構建為HTML的DOM樹。

這里有一個開源的Java html解析器列表： http : //java-source.net/open-source/html-parsers

Answer 2

我肯定會去JSoup。

非常優雅的圖書館，可滿足您的需求。

在這里查看示例

Answer 3

我最終使用HtmlCleaner http://htmlcleaner.sourceforge.net/進行了類似的操作。 它真的很容易使用，並且可以快速滿足我的需求。