一般的

几乎所有已知的 HTML 解析器都实现了W3C DOM
API（JAXP API 的一部分，用于 XML 处理的 Java
API）并为您提供了一个org.w3c.dom.Document可供
JAXP API 直接使用的支持。主要差异通常可以在所讨论的解析器的特性中找到。大多数解析器在一定程度上宽容和宽容非格式良好的
HTML（“tagsoup”），例如JTidy、NekoHTML、TagSoup和HtmlCleaner。您通常使用这种
HTML 解析器来“整理”HTML 源代码（例如，将 HTML-valid 替换为<br>XML-valid <br />），以便您可以使用 W3C
DOM 和 JAXP API“以通常的方式”遍历它。

唯一跳出来的是HtmlUnit和Jsoup。

html单元

HtmlUnit提供了一个完全自己的 API，它使您可以像 Web
浏览器一样以编程方式行事。即输入表单值、单击元素、调用 JavaScript 等。它不仅仅是一个 HTML 解析器。它是一个真正的“无 GUI
网络浏览器”和 HTML 单元测试工具。

汤

Jsoup还提供了完全自己的
API。它使您可以使用类似jQuery的CSS
选择器来选择元素，并提供一个灵活的 API 来遍历 HTML DOM
树以获取感兴趣的元素。

尤其是 HTML DOM 树的遍历是 Jsoup 的主要优势。使用过的人都org.w3c.dom.Document知道使用冗长的 API 遍历 DOM
是多么NodeList痛苦Node。诚然，XPath让生活更轻松，但仍然是另一个学习曲线，最终可能仍然很冗长。

这是一个示例，它使用像 JTidy 这样的“普通”W3C DOM 解析器结合 XPath 来提取问题的第一段和所有回答者的姓名（我使用
XPath，因为没有它，代码需要收集感兴趣的信息否则会增长 10 倍，而无需编写实用程序/辅助方法）。

String url = "http://stackoverflow.com/questions/3152138";
Document document = new Tidy().parseDOM(new URL(url).openStream(), null);
XPath xpath = XPathFactory.newInstance().newXPath();

Node question = (Node) xpath.compile("//*[@id='question']//*[contains(@class,'post-text')]//p[1]").evaluate(document, XPathConstants.NODE);
System.out.println("Question: " + question.getFirstChild().getNodeValue());

NodeList answerers = (NodeList) xpath.compile("//*[@id='answers']//*[contains(@class,'user-details')]//a[1]").evaluate(document, XPathConstants.NODESET);
for (int i = 0; i < answerers.getLength(); i++) {
    System.out.println("Answerer: " + answerers.item(i).getFirstChild().getNodeValue());
}

下面是一个示例，如何使用 Jsoup 进行完全相同的操作：

String url = "http://stackoverflow.com/questions/3152138";
Document document = Jsoup.connect(url).get();

Element question = document.select("#question .post-text p").first();
System.out.println("Question: " + question.text());

Elements answerers = document.select("#answers .user-details a");
for (Element answerer : answerers) {
    System.out.println("Answerer: " + answerer.text());
}

你看得到差别吗？它不仅代码更少，而且如果您已经对 CSS 选择器有一定的经验（例如通过开发网站和/或使用 jQuery），Jsoup 也相对容易掌握。

概括

现在每个人的优缺点应该很清楚了。如果您只想使用标准的 JAXP API 来遍历它，那么请使用第一个提到的解析器组。有很多。选择哪一个取决于它提供的功能（HTML
清理如何让您轻松？是否有一些侦听器/拦截器和特定于标签的清理器？）以及库的健壮性（它多久更新/维护/修复？ ）。如果您喜欢对 HTML 进行单元测试，那么
HtmlUnit 是您的最佳选择。如果您想从 HTML 中提取特定数据（这通常是现实世界的要求），那么 Jsoup 就是您的最佳选择。