HtmlCleaner 是一个开源的Java 语言的Html 文档解析器。HtmlCleaner 能够重新整理HTML文档的每个元素并生成结构良好 (Well-Formed )的 HTML 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。然而,用户可以提供自定义tag和规则组来进行过滤和匹配。它被设计的 小,快速,灵活而且独立。HtmlCleaner 也可用在Java代码中,当命令行工具或Ant任务。 解析后编程轻量级文档对象,能够很容易的被转换到DOM 或者JDom 标准文档,或者通过各种方式(压缩,打印)连续输出XML 。
新版本的重要功能更新包括:
1.HtmlCleaner 的文档对象模型现在拥有了一些函数,处理节点和属性,所以现在在序列化之前搜索或者编辑是非常容易的。
2.提供基本HtmlCleaner DOM 的XPath 支持
3.使用XML配置温江让创建定制tag 变得更加容易
4.修复多个bug 以及API改进
爬虫爬下来的文件,用HtmlCleaner 解析,速度非常快,比正则查找,Dom快了很多。