我在我的工作中做了很多HTML解析。到目前为止，我一直在使用HtmlUnit无外设浏览器进行解析和浏览器自动化。
现在，我想将这两个任务分开。
我想使用一个轻量级的HTML解析器，因为在HtmlUnit中，首先加载一个页面，然后获取源代码，然后解析它需要花费很多时间。
我想知道哪个HTML解析器可以有效地解析HTML。我需要
如果它不清理肮脏的HTML代码，对我来说没关系。我不需要清理任何HTML源代码。我只需要一种最简单的方法来跨HtmlElements移动并从中收集数据。
自插拔：我刚刚发布了一个新的Java HTML解析器：jsoup。我在这里提到它，因为我认为它会做你所追求的事情。
它的派对技巧是CSS选择器语法来查找元素，例如：
String html = "<html><head><title>First parse</title></head>"
+ "<body><p>Parsed HTML into a doc.</p></body></html>";
Document doc = Jsoup.parse(html);
Elements links = doc.select("a");
Element head = doc.select("head").first();
有关详细信息，请参阅选择器 javadoc。
这是一个新项目，因此非常欢迎任何改进的想法！
到目前为止，我看到的最好的是HtmlCleaner：
HtmlCleaner是用Java编写的开源HTML解析器。在 Web 上找到的 HTML 通常是脏的、格式错误的，不适合进一步处理。对于任何严重消费此类文档的行为，有必要首先清理混乱，并将顺序带到标签，属性和普通文本中。对于给定的 HTML 文档，HtmlCleaner 对各个元素重新排序并生成格式正确的 XML。默认情况下，它遵循大多数 Web 浏览器用于创建文档对象模型的类似规则。但是，用户可以提供自定义标记和规则集以进行标记筛选和平衡。
使用HtmlCleaner，您可以使用XPath找到任何元素。
对于其他 html 解析器，请参阅此 SO 问题。
