解析网页
我有一个关于解析HTML页面的问题，具体的论坛，我想解析一个论坛或线程包含某些后标准，我还没有定义算法，因为我以前只解析过结构文本格式，用例可以通过手工复制和粘贴每个线程到程序中，或者插入像http://www.forums.com/forum/showthread.php?t=46875&page=3这样的URL并让程序解析页面。
鉴于这一切，我想知道：
- 可以在HTML页面上解析论坛线程吗？
- 做这件事的最好/最快/最简单的语言是什么？
- 如果我更喜欢Java，那么我需要哪些工具/库呢？
- 还有什么我该考虑的吗？
回答 3
Stack Overflow用户
发布于 2009-11-23 23:13:41
1/是
2/使用一些紧凑的语言，如python或ruby来进行原型设计。
3/一个需要考虑的Java工具：htmlparser解析器
[4]如果您只对某些特定的文本或某些特殊类感兴趣，那么正则表达式可能就足够了。但是，只要您想深入了解内容的结构，您就需要某种模型来保存您的数据，因此需要一个解析器，在最好的情况下，它可以处理现实中html的不一致性。
Stack Overflow用户
发布于 2009-11-23 23:17:31
您可能希望查看某种类型的html解析库，而不是使用正则表达式来实现这一点。红宝石和python有一些非常好的html解析器，但是快速的谷歌显示也有很多用于java的解析器。这些库的好处是，您不必使用正则表达式处理每一个边缘大小写/它们处理格式错误的html (根据您想要做什么，使用regexes这两种方法都是不可能的)，并且它们还为您提供了处理数据的许多方法(例如，漂亮的soup允许您获取属于特定类的所有元素，或者使用其他css选择器来限制您想要处理的页面元素)。
就我个人而言，至少在一开始，我会从ruby或python开始，因为库是已知的，并且有很多关于使用它们的信息。此外，我发现在ruby或python中快速原型这些类型的东西比在jvm中更容易。如果有必要，您甚至可以在以后使用jruby或jython将该代码带到jvm中。
https://stackoverflow.com/questions/1786689
复制相似问题
腾讯云开发者
