HTML转换xml

1. Tidy

在 Java 专家 Michael Geisler 为 Builder 澳大利亚写的第一篇文章中，他向读者展示了如何使用 JTidy 将 HTML 文件转换成 XML。

有关 Java 的最重要的事情是有很多扩展标准库可以作为标准平台的一部分，而且在那些库中有对 XML 提供了非常多的支持。然而对于某些特定的需要，在标准库中可能没有直接的支持。

其实你有两个选择：

完全由自己来构建一些东西。这一般很痛苦，而且很费时间。
去“社区”看看是否已经有人遇到了同样的问题（这种情况非常有可能发生），看他是否乐意与你分享他的成果。
对于这个情况，SourceForge 上有一个非常有用的小项目，叫做 JTidy。JTidy 的Web 站点位于 。

JTidy 提供 HTML 语法检查和 HTML 的“pretty printing（漂亮打印）”，但是对于你来说，它还允许你将一个 HTML 文件作为输入，然后将其转换成为 XML。JTidy 读取输入文件，然后如果发现有任何不匹配或遗漏的闭合标记，将纠正这些标记，最后输出一个格式良好的 XML 文档。

从下面的示例代码中可以看到，JTidy 的用法相当简单。简单地将 JTidy 实例设置为输出 XML，提供一个输入 URL，输出文件和错误文件，然后启动转换过程就可以了。

import java.net.URL;
import java.io.*;
import org.w3c.tidy.Tidy;

public class TestHTML2XML {
private String url;
private String outFileName;
private String errOutFileName;

public TestHTML2XML(String url, String outFileName, String
errOutFileName) {
this.url = url;
this.outFileName = outFileName;
this.errOutFileName = errOutFileName;
}

public void convert() {
URL u;
BufferedInputStream in;
FileOutputStream out;

Tidy tidy = new Tidy();

//Tell Tidy to convert HTML to XML
tidy.setXmlOut(true);

try {
//Set file for error messages
tidy.setErrout(new PrintWriter(new FileWriter(errOutFileName), true));
u = new URL(url);

//Create input and output streams
in = new BufferedInputStream(u.openStream());
out = new FileOutputStream(outFileName);

//Convert files
tidy.parse(in, out);

//Clean up
in.close();
out.close();

} catch (IOException e) {
System.out.println(this.toString() + e.toString());
}
}

public static void main(String[] args) {
/*
* Parameters are:
* URL of HTML file
* Filename of output file
* Filename of error file
*/
TestHTML2XML t = new TestHTML2XML(args[0], args[1], args[2]);
t.convert();
}
}

2. nekohtml

    String className = "org.cyberneko.html.parsers.SAXParser";
            XMLReader xmlReader =         XMLReaderFactory.createXMLReader(className);
            SAXReader reader = new SAXReader(xmlReader);
            Document doc = reader.read(strContents);
            Element root = doc.getRootElement();

3. htmlcleaner

InputStream inStr = getMethod.getResponseBodyAsStream();
           
            /* Set cleaner to get xml from html */
            HtmlCleaner cleaner = new HtmlCleaner(inStr);
            cleaner.clean();
            org.w3c.dom.Document docw3c = cleaner.createDOM(); 
            doc = (org.dom4j.Document) docw3cToDom4j(docw3c);
            inStr.close();