不正な形式のHTMLをJavaのDOMに処理する/解析する方法は？

Question

私はNekoHtmlを使用しています。それはmercurynews.comのようなサイトからHTMLへの解析に失敗しました。問題の解決方法は？

Answer 1

other parsersに切り替える以外は？サイトに一貫したエラーパターンがある場合は、パーサーに渡す前に一連の正規表現を使用して修正することができます。

Answer 2

あなたはタグスープを考えましたか？

http://home.ccil.org/~cowan/XML/tagsoup/

Answer 3

あなたはSwingのHTMLパーサを使用して検討することができます。

http://www.rkcole.com/articles/swing/HTMLParser.html

Answer 4

私はより少なくよりフレンドリーなHTMLを解析するために、「ロボ・プロジェクト」（http://lobobrowser.org/cobra.jsp）からコブラレンダラを使用している、それがうまく働いています。それはAPIも非常に使いやすいです。

これが役に立ちます。私が何を意味「のようなサイト」が、MercuryNews.com知らないとほとんどのニュースサイトがRSS interfaceを持って解析する前にそれを片付けるか、いっそのパーサ

Answer 5

使用JTidy。

Answer 6

としてそれを使用する

Answer 7

私は試しましたが、jsoup - http://jsoup.org - です。

jqueryのような方法で、実際のHTML解析とDOM操作のためのオープンソースのJavaライブラリです。