是否有类似于Java的lxml或nokogiri的库？

Question

我想做一些屏幕抓取，理想情况下使用CSS选择器而不是XPath。有没有类似Ruby或Python的库？

Answer 1

在Java中有十几个屏幕抓取库。只是举几例：

• TagSoup - 用Java编写的符合SAX的解析器，而不是分析以及组建或有效的XML， 因为它是在 野外发现解析HTML的 ：讨厌和残酷的，虽然相当短，往往是不够。 TagSoup为 专为需要 的人设计，它使用一些 处理这个东西的合理应用 设计。通过提供SAX接口， 它允许将标准XML工具应用于即使是最差的HTML也应用到 。
• Jericho HTML Parser - 杰里科HTML解析器是一个简单但功能强大的 java库，允许分析和 操纵的HTML文档 ，包括一些常见的 服务器端代码的部分，当再现 逐字任何无法识别或无效 HTML。它还提供了高级HTML表格操作功能。 t是 既不是事件也不是基于树的 解析器，而是使用简单文本搜索的组合 ，高效标签 识别和标签位置缓存。 整个源文件 的文本首先被加载到内存中，然后 只搜索 搜索操作的相关字符 的相关段。
• HTML Cleaner - HtmlCleaner对单个元素进行重新排序，并且 从脏 HTML生成格式良好的XML。它遵循类似的规则，大多数网页浏览器使用 来创建文档对象模型。 A 用户可以提供用于标签过滤和平衡的自定义标签和规则 。
• NekoHTML - NekoHTML是一个简单的HTML扫描仪和标签平衡器 使应用程序员 解析HTML文档和访问使用标准的XML 接口 信息。解析器可以扫描HTML 文件并“修复”人类（和计算机） 作者在编写HTML 文档时所犯的许多常见错误。 NekoHTML增加了缺失的 父元素;自动关闭带有可选结束标签的 元素;和 可以处理不匹配的行内元素 标签。

还有更多的HTML Screen Scraping Tools written in Java。但是，正如我在this previous answer中提到的那样，这些是IMO最好的处理任何类型的内容（了解所有类型的垃圾）。不过这可能不是问题。

以防万一，也许检查线程Nokogiri pure Java status。

更新：一个新项目已经被释放（2010-01-31的），jsoup，它提供了一个selector-syntax to find elements。请参阅其网站以了解更多详情和/或this answer来自其作者。

Answer 2

您可以通过jRuby使用hpricot。有关详细信息，请参阅this SO question。