Quale parser HTML usate?

**riddick86** · 06-05-10 07:01

Ho provato htmlcleaner e mi chiedevo se ci fossero alternative valide in giro.
Grazie.

**Andrea** · 07-05-10 10:32

Dipende essenzialmente da cosa devi fare. Ufficialmente non esiste parser html che tenga. Questo per colpa del design dei siti che 99% non è html validato.

Perciò esistono le regexp che ti permettono, nella maggior parte dei casi, di prendere le porzioni della pagina che ti servono con qualche trick

**riddick86** · 10-05-10 21:53

Capisco.
Io ho usato HtmlCleaner, ma per arrivare ad un risultato decente ci ho dato di if e else.

**Andrea** · 10-05-10 21:57

dove hai trovato htmlcleaner per java ?

**riddick86** · 10-05-10 22:00

Qui:
HtmlCleaner Project Home Page

**Andrea** · 10-05-10 22:16

Yeah . Sembra powerful ... Ma funziona perfettamente ?

**riddick86** · 10-05-10 22:20

Si certo.
La documentazione lascia un pò a desiderare, però una volta capito come funziona fila liscio. ;-)

**Andrea** · 10-05-10 22:36

Fico, Grazie della dritta

**Cecco** · 04-07-10 18:27

Vado a riesumare il post.
Ho un dubbio, sto usando HTML Cleaner e sto seguendo un approccio del tipo:

codice:

HtmlCleaner cleaner = new HtmlCleaner();
		CleanerProperties props = cleaner.getProperties();
		props.setAllowHtmlInsideAttributes(true);
		props.setAllowMultiWordAttributes(true);
		props.setRecognizeUnicodeChars(true);
		props.setOmitComments(true);
		 
		// apertura della connessione
		URL url;
		try {
			url = new URL(url_str);
			URLConnection conn = url.openConnection();
			rootNode = cleaner.clean(new InputStreamReader(conn.getInputStream()));

Vorrei sapere se esiste un modo per tirar fuori l'html completo e ripulito, un pò come fa nella home page del progetto HTML Cleaner. Esempio:

Here is a typical example - improperly structured HTML containing unclosed tags and missing quotes:

codice HTML:

<table id=table1 cellspacing=2px
    <h1>CONTENT</h1>
    <td><a href=index.html>1 -> Home Page</a>
    <td><a href=intro.html>2 -> Introduction</a>

After putting it through HtmlCleaner, XML similar to the following is coming out:

codice HTML:

<?xml version="1.0" encoding="UTF-8"?>
<html>
   <head />
   <body>
      <h1>CONTENT</h1>
      <table id="table1" cellspacing="2px">
         <tbody>
            <tr>
               <td>
                  <a href="index.html">1 -&gt; Home Page</a>
               </td>
               <td>
                  <a href="intro.html">2 -&gt; Introduction</a>
               </td>
            </tr>
         </tbody>
      </table>
   </body>
</html>

E' possibile? Come posso fare?

Quale parser HTML usate?

LinkBack

Strumenti discussione

Visualizza

Quale parser HTML usate?

Il seguente Utente ha ringraziato riddick86 per il post:

Permessi di invio