用于HTML分析的Java库

Question

（我见过类似的问题，但我认为没有一个能满足我的具体需求，因此……）

我想知道是否有用于分析现实世界（阅读：不完整、格式错误）HTML的Java库。我所说的分析是指：

• 找出HTML块中最突出的颜色
• 将该颜色更改为其他颜色（因此，还必须支持对HTML的修改）
• 删除不需要的标签
• 修复HTML以生成格式良好的HTML片段

最后两部分是由杰里科和杰蒂德等图书馆完成的上面的插件会很棒

提前谢谢

Answer 1

首先，我会把它整理成有效的XML，然后使用XSLT做一个有条件的深度复制，在那里我会做最显著的颜色/修剪/任何你需要的处理

Answer 2

也许你会在this list中找到一些东西（试试TagSoup、NekoHTML、VietSpider HTMLParser）