مكتبة جافا لتحليل HTML

Question

(لقد رأيت أسئلة مماثلة ، لكنني أعتقد أن أيًا منهم يلبي احتياجاتي المحددة ، وبالتالي ...)

أود أن أعرف ما إذا كانت هناك مكتبة Java لتحليل العالم الحقيقي (اقرأ: غير مكتمل ، غير مؤهل) HTML. عن طريق التحليل ، أعني أشياء مثل:

• اكتشاف اللون الأبرز في قطعة HTML
• تغيير هذا اللون إلى بعض الألوان الأخرى (وبالتالي ، يجب أن يدعم تعديل HTML أيضًا)
• تشذيب العلامات غير المرغوب فيها
• إصلاح HTML ليؤدي إلى مقتطف HTML جيدا

تتم أجزاء من آخر اثنين من قبل المكتبات مثل أريحا وجتيدي. "الإضافات" على رأس هذه ستكون رائعة.

شكرا لك مقدما!

Answer 1

قد ترغب في التحقق من TagSoup:

http://home.ccil.org/~cowan/xml/tagsoup/

Answer 2

حسنًا ، سأرتبها أولاً في XML صالحة ، ثم باستخدام XSLT ، قم بعمل نسخة عميقة مشروطة حيث سأقوم بأكثر الألوان/التقليم/التقليم/أيًا من المعالجة التي تحتاجها.

Answer 3

ألق نظرة على jtidy, ، منفذ جافا HTML مرتبة. سيؤدي ذلك ، بناءً على الخيارات التي تختارها ، وإصلاح HTML غير الممتاز وتنظيفها بطريقة أخرى.

ستحتاج إلى شيء آخر للأشياء المتغيرة للألوان.

Answer 4

ربما ستجد شيئًا في هذه القائمة (جرب TagSoup ، nekohtml ، vietspider htmlparser).