Question

我需要用Java解析HTML 4。理想情况下，我想要一个与SAX兼容的实现。

我知道Java中有很多HTML解析器，然而，它们似乎都在执行“整理”。换句话说，他们将纠正格式错误的HTML。 我不想要这个。

我的要求是：

没有整理。
如果输入文档无效，HTML解析应该失败。
该文档应该可以对HTML DTD进行验证。
解析器可以生成SAX2事件。

是否有符合这些要求的图书馆？

Answer 1

您可以在此处找到一组HTML解析器HTML Parsers。我不记得确切，但我认为TagSoup解析文件而不应用更正......

Answer 2

我认为Jericho HTML Parser可以提供至少一个核心要求（'如果输入文档无效，HTML解析应该失败。'）因为它至少会告诉你如果标签不匹配或其他有毒HTML漏洞，您可以根据此信息选择失败。

尝试在此Jericho格式化演示中键入无效的html，并注意页面底部的“Parser Log”：

http://jerichohtmlparser.appspot.com/samples/FormatSource.jsp

所以是的，这个正在进行标签整理，但它至少告诉你 - 你可以通过设置net.htmlparser.jericho来获取这些信息。您的源上记录器（例如WriterLogger或您自己创建的更具体的东西），然后根据记录的错误继续进行。这是一个小例子：

    Source source=new Source("<a>I forgot to close my link!");
    source.setLogger(myListeningLogger);

    source.getSourceFormatter().writeTo(new NullWriter());
    // myListeningLogger has now had all the HTML flaws written to it

在上面的示例中，使用字符串：'StartTag at (r1,c1,p0) missing required end tag'调用记录器的info（）方法，该字符串相对可解析，并且您始终可以决定拒绝任何记录任何比调试更糟糕的消息的HTML - 事实上，杰里科几乎将所有错误记录为“信息”级别，其中一对处于“警告”级别（您可能会想要创建一个小型分叉，其严格程度经过调整以符合您所关注的内容）。

耶利哥可以在Maven Central上找到，这总是一个好兆头：

http://mvnrepository.com/artifact/net.htmlparser.jericho/jericho-html

祝你好运！

Answer 3

您可以查看http://lobobrowser.org/cobra.jsp。他们实现了纯Java Web浏览器（Lobo）。他们将解析器组件（Cobra）分别拉出来使用。老实说，我不确定它是否会按照“不整理”的要求做你所需要的，但它可能值得一看。我在探索纯粹的Java Web浏览器时遇到了它。

Answer 4

您可以尝试继承javax.swing.text.html.parser.Parser并实现handleXXX（）方法。它似乎并没有尝试修复XML。请点击the API

了解更多信息

是否有一个用Java实现的验证HTML解析器？

4 个答案: