Java 等价于 PHP Simple HTML DOM Parser

Posted 2023-03-05

【中文标题】Java 等价于 PHP Simple HTML DOM Parser

【英文标题】：Java equivalent to PHP Simple HTML DOM Parser

【发布时间】：2011-09-04 19:56:30

【问题描述】：

由于我必须使用多线程，而我无法用 php 很好地解决我想用 Java 编程，不幸的是我找不到一个库可以让我像在 PHP Simple 中一样健壮、快速和轻松地解析 html DOM HTML DOM 解析器。您知道 Java 中同样易于使用的替代方法吗？

【参考方案1】：

我从 Simple HTML DOM Parser 转到 JSoup，对此我很满意。

【讨论】：

在深入研究时，我发现了一个，它展示了相当不错的功能和 API 列表。通过 CSS 选择器查找元素非常棒。

乍一看，JSoup 的功能甚至似乎超过了 PHP Simple HTML DOM Parser 的功能。现在我将它与第二个建议的 TagSoup 进行比较，这有什么优缺点吗？

使用 TagSoup、W3C DOM 和 DOM4J/JDOM 的方法应该可行，但比 JSoup 接缝要复杂。我也会试一试，因为从描述来看，这个项目对我来说非常好。

【参考方案2】：

我可以看到我们在这里面临两个挑战：

解析可能不是格式良好的 HTML，XHTML 易于解析且易于解析。我推荐TagSoup 库，它可以读取丑陋的 HTML 并生成格式良好的 StaX 流，然后可以在其他地方使用。

构建 HTML 文档的 DOM 表示并处理它。您可能知道在 JDK 中有完整的 XML DOM 实现 (org.w3c.dom.*)。但我想这不是您一直在寻找的 API 类型。 DOM4J 或更早的JDOM 可以包装JDK Document 并且您可以享受易于使用的API？

【讨论】：

我一直在寻找选项一，解析在现实生活中 从来没有真正形成良好的 htm。使用 XPATH 访问 XML DOM 非常棘手，我只是在编写防弹代码时失败了。 TagSoup 似乎是一个不错的建议，现在的问题是 JSoup 或 TagSoup 哪个更适合我。

【参考方案3】：

我已经成功地使用 TagSoup 作为 SAX 解析器来填充 DOM4J 文档，然后我使用 XPath 进行查询。我花了一段时间才弄清楚咒语 - （Scala，但我相信你可以转换）：

parserFactory = new org.ccil.cowan.tagsoup.jaxp.SAXFactoryImpl
val reader = new SAXReader(parserFactory.newSAXParser.getXMLReader)
val doc = reader.read(new InputSource(new StringReader(page)))