所以这就是挑战......我需要在野外随机网页中创建干净的HTML。我的目标是在一个页面中读取并将其传递给一个库，这将反过来给我一个完美的HTML格式。
听起来不是那么厉害，对吧？毕竟，市场上的每个浏览器都能有效地应对格式错误的HTML的挑战，并将其转化为几乎每个页面加载都可渲染的东西。每个都有自己的略微特定的清理内容的算法（对于HTML＆lt; 5来说是这样的），但是他们倾向于非常好地捕捉我想要作为作者意图的内容。那么，为什么我不能为这项任务找到一个好的java库呢？
有一点需要提及的是，我根本不感兴趣将HTML解析为XML。我发现像NekoHTML，TagSoup，HtmlCleaner和JTidy这样的库（仅举几例）更侧重于解决将HTML转换为有效XML的问题，并且在此过程中，他们忽略了如何糟糕 - 格式化文档应重新构建。使用令人讨厌的HTML，他们经常不会捕获作者的意图并吐出与原始源完全不同的文档。对于这个项目来说，最重要的是两个文档的呈现方式相似。
我非常喜欢Jericho HTML，但它似乎并不是这项工作的理想人选...至少在我没有付出很多努力的情况下。此外，Native依赖项是不行的，因此mozilla解析器已经出局。
任何人都可以帮助我寻找完美的HTML解析器吗？提前谢谢！