Java - 从字符串中提取html信息

Question

所有指南告诉我如何从文本中删除HTML标记以提取它们之间的文本。我所追求的是提取HTML标签内的数据。

e.g。

如果我有一个字符串：

 "<FONT SIZE="5">Hello World</FONT>"

我想获取字体大小信息来更新其他变量。我该怎么做？

Answer 1

为了这个目的，我多次使用jsoup。这是一个宽松的HTML解析器。请注意尝试将其解析为“标准”XML，因为XML解析本质上是严格的，如果页面不符合XML标记规范（少数HTML页面那样），则会失败。

Answer 2

您可以使用其中一个可用的Java库进行HTML解析，例如TagSoup。

Answer 3

您可以使用像jerichoHTML这样的库，它可以让您搜索HTML标记及其属性，或者您自己构建一些DOM。

Answer 4

看看这个： http://en.wikipedia.org/wiki/Java_API_for_XML_Processing 如果您解析HTML，您应该能够从DOM树中提取值。