用于HTML分析的Java库

Question

（我见过类似的问题，但我认为它们都不能满足我的特殊需求，因此......）

我想知道是否有用于分析现实世界（阅读：不完整，格式错误）HTML的Java库。通过分析，我的意思是：

• 找出HTML块中最突出的颜色
• 将该颜色更改为其他颜色（因此，也必须支持修改HTML）
• 修剪掉不需要的标签
• 修复HTML以生成格式正确的HTML代码段

最后两部分的部分由杰里科和jTidy等图书馆完成。 “插件”在这些之上会很棒。

提前致谢！

Answer 1

您可能想查看TagSoup：

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

Answer 2

我先将它整理成有效的XML，然后使用XSLT做一个条件深度复制，我会做最突出的颜色/修剪/你需要的任何处理。

Answer 3

查看JTidy，HTML Tidy的Java端口。根据您选择的选项，它将修复非格式良好的HTML并以其他方式清理它。

你需要别的东西来改变颜色。

Answer 4

也许你会在this list找到一些东西（试试TagSoup，NekoHTML，VietSpider HTMLParser）。