Java库，用于像浏览器一样清理HTML

这就是挑战。。。我需要从野外的随机网页中创建干净的HTML。我的目标是读入一个页面并将其传递给一个库，该库将反过来返回格式完美的HTML

听起来没那么难吧？毕竟，市场上的每一款浏览器都有效地应对了格式错误的HTML的挑战，并将其转化为几乎每一次页面加载都可以呈现的内容。每种方法都有自己的清理内容的算法（嗯……对于HTML<5），但它们往往能很好地捕捉到我所说的作者的意图。那么，为什么我不能为这项任务找到一个好的java库呢

要提到的一点是，我对将HTML解析为XML一点也不感兴趣。我发现NekoHTML、TagSoup、HtmlCleaner和JTidy（仅举几例）等库更专注于解决将HTML转换为有效XML的问题，在这一过程中，它们忽略了格式不良的文档应该如何重新构造。对于令人讨厌的HTML，它们通常无法捕捉作者的意图，并且会吐出呈现方式与原始源完全不同的文档。对于这个项目来说，这两个文件的相似性至关重要

我很喜欢Jericho HTML，但它似乎不是这份工作的理想人选……至少我需要付出很多努力。而且，本机依赖项是不可能的，因此mozilla解析器已经过时了

有人能帮我寻找完美的HTML解析器吗？提前谢谢

我会说

另请参见

---

？

我过去用过。

给我定义格式不好的HTML。。。你指的是正确的缩进还是格式不正确的HTML。后者的范围要大得多。我们肯定是在谈论后者。对于这个项目，我必须拉入一个网页，应用一些转换，然后将结果显示给用户。如果格式/布局与预处理的HTML明显不同，我就有麻烦了。感谢您提供指向其他问题的链接。我以前看过这篇文章，并找到了一些链接，尽管我离开时得出的结论是，我这里的问题略有不同。我现在正在评估JSoup，它看起来非常有希望。我之前跳过了它b/c的名字是如此接近TagSoup，我认为他们是一样的经过一天的使用，我可以正式地说，这个图书馆的岩石。非常感谢！谢谢，但不幸的是，该库落入了“让我们将HTML转换为XML”的阵营。我已经对它进行了评估，并将其扔掉了b/c。它给我的HTML呈现方式与源代码不同。嗯……看起来他们在2009年发布了一个版本，这是8年来的第一次。我过去也用过Tidy，但即使在那时我也没什么信心。大约五年前，我开始了一个项目（这次我在解析HTML->XML），最终使用了NekoHTML（现在也有点死了）。