用于Java的JTidy或Jsoup

Question

最近，我一直在用BeautifulSoup用python开发web抓取器。现在我想知道在Java中哪些库是最受欢迎的。我做了一些搜索，主要是看到JTidy和JSoup。它们之间的区别是什么？

Answer 1

JTidy更常用于整理超文本标记语言，即修复格式错误或错误的超文本标记语言，如未关闭的标签，例如从<div><span>text</div>到<div><span>text</span></div。

另一方面，JSoup提供了一个成熟的API来解析HTML，并提供了来提取其中的一部分。它允许您使用像selectors这样的jQuery来查找元素或DOM methods，它们等同于您在JavaScript中使用的元素，比如getElementById。我想说JSoup确实是BeautifulSoup的Java等价物。

例如，要使用JSoup提取维基百科文章的第一段，您可以使用以下内容：

String url = "http://en.wikipedia.org/wiki/Potato";
Document doc = Jsoup.connect(url).get();
Elements paragraphs = doc.select(".mw-content-ltr p");
String firstParagraph = paragraphs.first().text();

或者从这个问题中提取标题：

Document doc = Jsoup.connect("http://stackoverflow.com/questions/12439078/jtidy-or-jsoup-for-java").get();
String question = doc.select("#question-header a").text(); // JTidy or Jsoup for Java

相当不错的API，对吧？:-)