是否有类似于 lxml 或 nokogiri 的 Java 库？ [关闭]

Posted 2023-02-24

【中文标题】是否有类似于 lxml 或 nokogiri 的 Java 库？ [关闭]

【英文标题】：Is there a library similar to lxml or nokogiri for Java? [closed]

【发布时间】：2011-01-08 12:43:01

【问题描述】：

我想做一些屏幕抓取，最好使用 CSS 选择器而不是 XPath。是否有类似于 Ruby 或 Python 中的库？

【参考方案1】：

您可以通过 jRuby 使用hpricot。有关它的更多详细信息，请参阅this SO question。

【参考方案2】：

有十几个用 Java 编写的屏幕抓取库。仅举几例：

TagSoup - 一个用 Java 编写的符合 SAX 的解析器，而不是 解析格式良好或有效的 XML， 解析 html，因为它在 狂野的：讨厌和野蛮，虽然相当 往往不短。 TagSoup 是 专为需要 使用一些处理这些东西 看似合理的应用程序 设计。通过提供 SAX 接口， 它允许标准的 XML 工具 甚至适用于最糟糕的 HTML。 Jericho HTML Parser - Jericho HTML Parser 是一个简单但功能强大的 java库允许分析和 对部分 HTML 的操作 文档，包括一些常见的 服务器端标签，同时复制 逐字记录任何无法识别或无效的 HTML。它还提供高级 HTML 表单操作功能。是 既不是事件也不是基于树的 解析器，而是使用组合 简单的文本搜索，高效的标签 识别和标签位置缓存。 整个源文档的文本 首先加载到内存中，然后 只搜索了相关的片段 对于每个的相关字符 搜索操作。 HTML Cleaner - HtmlCleaner 重新排序单个元素和 从脏文件生成格式良好的 XML HTML。它遵循类似的规则 大多数网络浏览器按顺序使用 创建文档对象模型。一种 用户可以提供自定义标签和规则 设置标签过滤和平衡。 NekoHTML - NekoHTML 是一个简单的 HTML 扫描器和标签平衡器， 使应用程序程序员能够 解析 HTML 文档并访问 使用标准 XML 的信息 接口。解析器可以扫描 HTML 文件和“修复”许多常见的 人类（和计算机）的错误 作者在编写 HTML 文件。 NekoHTML 添加缺失 父元素；自动关闭 带有可选结束标签的元素；和 可以处理不匹配的内联元素 标签。

还有更多HTML Screen Scraping Tools written in Java。但正如我在this previous answer 中提到的，这些是 IMO 处理任何类型内容（理解各种废话）的最佳方法。不过，这对您来说可能不是问题。

以防万一，不妨查看帖子Nokogiri pure Java status。

更新：一个新项目已经发布（2010-01-31），jsoup，它提供了一个selector-syntax to find elements。请参阅其网站了解更多详细信息和/或来自其作者的this answer。