哪个HTMLparsing器是最好的？
我编码了很多parsing器。 到目前为止，我正在使用HtmlUnit无头浏览器进行parsing和浏览器自动化。
现在，我想分开这两个任务。
由于80％的工作只涉及parsing，我想使用一个浅的HTMLparsing器，因为它需要很多时间在HtmlUnit中首先加载一个页面，然后获取源代码，然后parsing它。
我想知道哪个HTMLparsing器是最好的。 如果接近HtmlUnitparsing器，parsing器会更好。
编辑：
最好的，我想至less有以下function：
- 速度
- 通过其“标识”或“名称”或“标签types”轻松定位任何HtmlElement。
如果它不清除脏HTML代码，这将是好的。 我不需要清理任何HTML源代码。 我只需要一个最简单的方法来移动HtmlElements并从中收集数据。
自我插件：我刚刚发布了一个新的Java HTMLparsing器： jsoup 。 我在这里提到它是因为我认为它会做你以后的事情。
其派对技巧是一个CSSselect器语法来查找元素，例如：
String html = "<html><head><title>First parse</title></head>" + "<body><p>Parsed HTML into a doc.</p></body></html>"; Document doc = Jsoup.parse(html); Elements links = doc.select("a"); Element head = doc.select("head").first(); 有关更多信息，请参阅select器 javadoc。
这是一个新的项目，所以任何改进的想法都非常受欢迎！
目前为止我看到的最好的是HtmlCleaner ：
HtmlCleaner是用Java编写的开源HTMLparsing器。 在网上find的HTML通常很脏，不合格，不适合进一步处理。 对于这类文件的严重消耗，首先要清理乱七八糟的东西，把订单带到标签，属性和普通文本中去。 对于给定的HTML文档，HtmlCleaner重新排列单个元素并生成格式良好的XML。 默认情况下，它遵循大多数Web浏览器用来创build文档对象模型的类似规则。 但是，用户可以为标签过滤和平衡提供自定义标签和规则集。
使用HtmlCleaner，您可以使用XPath查找任何元素。
对于其他的htmlparsing器，看到这个问题 。
我build议基于HTML5parsingalgorithm的Validator.nuparsing器 。 这是2010-05-03在Mozilla中使用的parsing器
