试图找出一种从html文件中删除特定信息（名称，描述，id等）的方法，留下不需要的信息并将其存储在xml文件中。
我想尝试使用xslt，因为它可以对xtml执行xml ...但它似乎没有相反的方法。
老实说，我不知道我应该尝试用其他语言来实现这个目标。我知道基本的java和javascript，但不确定它是否可以做到这一点..我有点迷失了这个开始。
我愿意接受任何建议/帮助。我也愿意学习一门新语言，因为我只是为了好玩而这样做。
答案 0 :(得分：3)
有许多Java库用于处理格式不正确的HTML输入（根据XML）。这些库还有用于查询或操作文档的内置方法，但重要的是要意识到一旦解析了文档，通常很容易将它视为第一个XML放置（使用标准Java XML接口）。换句话说，您只需要这些库来解析格式错误的输入;他们提供的其他公用设施大多是多余的。
以下示例显示使用HTMLCleaner解析HTML，然后将该对象转换为标准org.w3c.dom.Document：
TagNode tagNode = new HtmlCleaner().clean("<html><div><p>test");
DomSerializer ser = new DomSerializer(new CleanerProperties());
org.w3c.dom.Document doc = ser.createDOM(tagNode);
在Jsoup中，只需解析输入并将其序列化为字符串：
String text = Jsoup.parse("<html><div><p>test").outerHtml();
使用此处描述的方法之一将该字符串转换为W3C文档：
您现在可以使用标准JAXP接口来转换此文档：
TransformerFactory tFact = TransformerFactory.newInstance();
Transformer transformer = tFact.newTransformer();
Source source = new DOMSource(doc);
Result result = new StreamResult(System.out);
transformer.transform(source, result);
注意：向tFact.newTransformer()提供一些XSLT源代码，以执行比身份转换更有用的操作。
答案 1 :(得分：2)
我会使用HTMLAgilityPack或Chris Lovett的SGMLReader 。
或者，只需 HTML Tidy 。
答案 2 :(得分：0)
理想情况下，您可以将HTML视为XML。如果幸运的话，它已经是XHTML，您可以将其作为HTML处理。如果没有，请使用http://nekohtml.sourceforge.net/（HTML标记平衡器等）将HTML处理为符合XML的内容，以便您可以使用XSLT。
我在http://blogger.ziesemer.com/2008/03/scraping-suns-bug-database.html的个人博客上有一个具体的例子和一些注意事项。
答案 3 :(得分：0)