كيفية تحليل (غير منسق بشكل جيد) HTML في الروبوت؟

Question

وكيفية تحليل HTML غير جيد تشكلت في الروبوت؟

ولقد حاولت استخدام XOM وTagSoup، ولكن يمكنني الحصول على الخطأ التالي عند إنشاء البناء:

11-26 20:42:39.294: ERROR/dalvikvm(1298): Could not find method org.apache.xerces.impl.Version.getVersion, referenced from method nu.xom.Builder.

لا بد لي من تثبيت Xerces استخدام XOM أو يمكنني استخدام tagsoup دون XOM؟

Answer 1

وقد تجد JTidy ( http://jtidy.sourceforge.net/ ) - ميناء HTMLTidy أن تكون خفيفة الوزن بما فيه الكفاية. هذا إخراج XHTML عند الطلب

Answer 2

وXOM قد تتطلب Xerces أن تكون في classpath - قد تعتمد على إصدار جافا. حاليا نستخدم

xercesImpl-2.8.0.jar