用於Java的JTidy或Jsoup

Question

最近我一直在使用BeautifulSoup在python中開發web scraper。 現在我想知道Java中最喜歡哪些庫。 我做了一些搜索，主要是看到JTidy和JSoup。 他們之間有什么區別？

Answer 1

JTidy更常用於整理 HTML，即修復格式錯誤或錯誤的HTML，例如未封閉的標簽，例如，從<div><span>text</div>到<div><span>text</span></div 。

另一方面， JSoup提供了一個完整的API來解析HTML 並 提取部分HTML。 它允許您使用jQuery之類的選擇器來查找元素或DOM方法 ，等同於您使用JavaScript的方法，例如getElementById 。 我說JSoup確實是BeautifulSoup的Java等價物。

例如，要使用JSoup提取Wikipedia文章的第一段，您可以使用以下內容：

String url = "http://en.wikipedia.org/wiki/Potato";
Document doc = Jsoup.connect(url).get();
Elements paragraphs = doc.select(".mw-content-ltr p");
String firstParagraph = paragraphs.first().text();

或者從這個非常自己的問題中提取標題：

Document doc = Jsoup.connect("http://stackoverflow.com/questions/12439078/jtidy-or-jsoup-for-java").get();
String question = doc.select("#question-header a").text(); // JTidy or Jsoup for Java

相當不錯的API，嗯？ :-)