java - 使用 Java 提取 HTML 标签

Question

我想从网页的源代码中提取可用的各种 HTML 标记，Java 中是否有任何方法可以做到这一点，或者 HTML 解析器是否支持这一点？

我想把所有的 HTML 标签分开。

Answer 1

Java 带有一个 XML 解析器，其方法与 JavaScript 中的 DOM 类似:

DocumentBuilder builder = DocumentBuilderFactory.newDocumentBuilder();
Document doc = builder.parse(html);
doc.getElementById("someId");
doc.getElementsByTagName("div");
doc.getChildNodes();

文档生成器可以接受许多不同的输入(输入流、原始 html 字符串等)。

http://download.oracle.com/javase/1.5.0/docs/api/org/w3c/dom/Document.html

如果您需要更多，cyber neko 解析器也不错。