我需要解析多个（大约读取1600个）HTML页面，并从每个文件中提取以下标记的内容。
textarea name="line" cols="66" rows="5" class="textbox" id="line" style="font-size:12px;" onkeydown="textCounter()" onkeyup="textCounter(); storeCaret(this);" onselect="storeCaret(this);" onclick="storeCaret(this);">TEXT I WANT IS HERE
（这实际上是一个html textarea标签） 我曾经以为我可以使用DOMparser，但文件包含太多错误，所以我遇到了JTidy，来自stackoverflow上的另一个问题，我试图使用它......
但是，似乎无法将html从任何页面转换为XHTML，因此我可以使用DOM解析器。
然后我认为我可以使用正则表达式，但我无法找到拉动该文本所需的特定表达式，而且我还遇到了多个问题/答案，其中说不使用正则表达式来解析HTML ...
所以基本上我的问题是还有其他方法可以从格式错误的HTML获取我需要的文本吗？
答案 0 :(得分：1)
您应该可以直接使用JTidy解析文档，而无需将其转换为XHTML。我曾经多次在一段时间内做过这件事，但它对我来说很好用而且HTML很难看。
编辑：我在上次需要解析HTML文件时看到的另一个选项是TagSoup。由于其GPL许可证，我无法在商业产品中使用它，但如果您只是需要此功能作为内部工具，它可能适合您