Question

是否可以使用哪些工具将html文档解析为字符串或文件，然后构建DOM树，以便开发人员可以通过某些API遍历树。

例如：

DomRoot = parse("myhtml.html");

for (tags : DomRoot) {
}

注意：这是一个不是XHtml的HTML文档。

Answer 1

您可以使用TagSoup - 它是一个SAX兼容解析器，可以将格式错误的内容（如HTML）从通用网页清理为格式良好的XML。

This is <B>bold, <I>bold italic, </b>italic, </i>normal text

gets correctly rewritten as:

This is <b>bold, <i>bold italic, </i></b><i>italic, </i>normal text.

Answer 2

JTidy应该让你做你想做的事。

用法非常简单，但解析是可配置的。 e.g：

InputStream in = ...;
Tidy tidy = new Tidy();
// configure Tidy instance as required
...
...
Document doc = tidy.parseDOM(in, null);
Element root = doc.getDocumentElement();

JavaDoc托管here。

Answer 3

您可以查看NekoHTML，这是一个在您的文档中执行尽力清理和标记平衡的Java库。这是一种解析格式错误的HTML（或无效的XML）文件的简便方法。

它是在Apache 2.0许可下发布的。

Answer 4

HTML Parser似乎支持从HTML转换为XML。然后，您可以使用常用的Java工具链构建DOM树。

Answer 5

有几种开源工具可以解析Java中的HTML。

检查http://java-source.net/open-source/html-parsers

你也可以查看这个问题的答案：Reading HTML file to DOM tree using Java它几乎一样......

可以解析HTML文档并构建DOM树（java）

5 个答案: