Java 使用xpath解析html

需要从服务器获取html并使用xpath解析它（xpath是必须的，我不能使用其他东西）。我的代码：

TagNode tagNode = new HtmlCleaner().clean(html);
Document doc = new DomSerializer(new CleanerProperties()).createDOM(tagNode);
XPath xpathObject = XPathFactory.newInstance().newXPath();
NodeList nodes = (NodeList)xpathObject.evaluate(xpathString, html, XPathConstants.NODESET);

它工作得很好，但是函数clean（）需要很多时间（因为一个页面可能需要>30秒）

我找到了另一个解决方案-使用Jsoup，所以我的新代码是-

Document doc = Jsoup.parse(html);
W3CDom w3cDom = new W3CDom();
org.w3c.dom.Document w3cDoc = w3cDom.fromJsoup(doc);

XPath xpathObject = XPathFactory.newInstance().newXPath();
str = (String) xpathObject.evaluate(xpathString, w3cDoc, XPathConstants.STRING);

现在解析并转换为org.w3c.dom.Document大约需要1s+评估0.4s~1.5秒。但这也很慢

---

如何进一步提高处理速度？

我们在一个包含HTML的字符串上使用正则表达式模式。 当HTML文档偶尔发生结构更改时（在重新设计页面等之后），这种方法更稳定

如何进一步提高处理速度

从基于DOM的解析器（内存密集型）转向基于事件的方法（SAX解析器）

---

使用sax解析器，您基本上实现了一个堆栈来提取感兴趣的节点。

实际上我们也使用正则表达式，但我还需要XPath。您试过了吗？它声称比HtmlCleaner更快。是的，我直接尝试过，而且jsoup使用itany示例说明如何使用sax和xpath？大多数库都由3个可以附加到的事件组成：``SaxParser parser=new SaxParser（）；parser.OnOpenTag+=（标记）=>{}；parser.OnDataElement+=（数据）=>{}；parser.OnCloseTag+=（标记）=>{}；```您可以维护一个堆栈或计数器，以了解您在文档中的深度。