java解析html

    java有很多解析html的开源包，有htmlparser、cobra、jsoup、html4j、htmlclean等，http://www.open-open.com/30.htm
    项目中使用的是cobra，其他的没用过。cobra能解析javascript和css，项目中没有用这两项，也没研究过这块的代码。也是因为支持这些，如果不禁用，会占用相当大的内存，比如每个节点都会含有一个xxxStyle的对象。cobra的源码相当大，构造document的基本思路是顺序读页面数据，找tag的开始<和结束>符，在结束符前碰到的所有标签、文本都加为子节点。cobra不支持纠错，当碰到网页中有错误的标签，比如有<，没有>，解析就会犯错。解析也不是完美的，做项目的时候，记得抽取节点和抽取属性部分的代码都改过。
    看网上比较火的貌似是htmlparser和jsoup。网上各开源库的对比很少，有个老外试过这么几个：NekoHTML, HtmlCleaner, TagSoup, jTidy，说最准确的是HtmlCleaner（用//a测试的）。也有人说cobra最好用，也有人说jsoup比htmlparser好用。以下是网上大家的总结：
http://www.benmccann.com/blog/java-html-parsing-library-comparison/
http://solonote.iteye.com/blog/567805
http://www.verydemo.com/demo_c89_i19070.html
    有空以后我再来逐个试下~
补充：
    cobra比较复杂，最近用了下HtmlCleaner，生成TagNode对xpath支持不好（不支持contains等），但是可将其转成dom，即完美支持。Document document = new DomSerializer(new CleanerProperties()).createDOM(tagNode);
    jsoup不支持xpath，弃用