Java库，用于分析HTML

Question

（我已经看到了类似的问题，但我认为他们没有满足我的特定需求，所以......）

我想知道是否有一个Java库，用于分析现实世界（阅读：不完整，格式不正确）的HTML。通过分析，我的意思的东西，如：

• 在HTML块
• 找出最突出的颜色改变这种颜色到其他颜色（因此，必须支持HTML的修改以及）
• 修剪掉不需要的标签
• 固定了HTML导致一个良好的HTML片段中最后两个

的部分由库，如杰里科，和jTidy完成。在这些之上的'插件'会很棒。

在此先感谢！

Answer 1

你可能想看看TagSoup：

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

Answer 2

查看JTidy，Java端口号为HTML Tidy。它将根据您选择的选项来修复非格式良好的HTML并进行清理。

你需要别的东西来换色。

Answer 3

那么我会先把它整理成有效的XML，然后使用XSLT做一个有条件的深层复制，在那里我会做最突出的颜色/修剪/你需要的任何处理。

Answer 4

也许你会发现在this list东西（尝试TagSoup，NekoHTML，VietSpider的HTMLParser）。