HTML解析器对比

解析HTML是一项自动化工作，由（所谓的）HTML解析器执行。它们有两个主要目的：

  • HTML遍历：为程序员提供一个接口，来轻松地访问和修改“HTML代码”。典型例子：DOM解析器。
  • HTML清理：修正有语法错误的HTML，改善结果标记的布局和缩进样式。典型例子：HTML Tidy。
解析器 许可证 实现语言 最新日期* HTML解析[1] 清理HTML** 升级HTML***
Beautiful Soup[2] Python S. F. L. Python 2013-05-31 是 ？ ？
Gumbo（页面存档备份，存于互联网档案馆） Apache许可证2.0 C 2013-08-13 是 ？ ？
html5lib（页面存档备份，存于互联网档案馆） MIT许可证 Python和PHP 2013-12-23[3] 是 是 否
HTML::Parser（页面存档备份，存于互联网档案馆） 艺术许可协议 Perl 2013-03-28 否[4] ？ ？
htmlPurifier（页面存档备份，存于互联网档案馆） GNU宽GPL PHP 2009-03-25[5] 否 是 是
HTML Tidy W3C许可证（英语：W3C Software Notice and License） ANSI C 2009-03-25[5] 是[6] 是 ？
HtmlCleaner（页面存档备份，存于互联网档案馆） BSD许可证[7] Java 2013-09-05 否 是 ？
Hubbub（页面存档备份，存于互联网档案馆） MIT许可证 C 2013-04-19 是 ？ ？
Jaunt API（页面存档备份，存于互联网档案馆） Jaunt Beta许可证 Java 2013-08-01 是 是 否
Jericho HTML Parser（页面存档备份，存于互联网档案馆） Eclipse公共许可证 Java 2012-10-30[8] 否？？ ？ ？
jsdom（页面存档备份，存于互联网档案馆） MIT许可证 JavaScript 2013-07-21 否 ？ ？
jsoup[9] MIT许可证 Java 2013-01-27[10] 是 是 是
JTidy（页面存档备份，存于互联网档案馆） JTidy许可证（页面存档备份，存于互联网档案馆） Java 2009-12-01[11] 是 ？ ？
libxml2 HTMLparser（页面存档备份，存于互联网档案馆） MIT许可证 C 2012-09-11[12] 是 ？ ？
NekoHTML（页面存档备份，存于互联网档案馆） Apache许可证2.0 Java 2013-02-27[13] 否 是 ？
TagSoup Apache许可证2.0 Java 2011-07-07 否 ？ ？
Validator.nu HTML Parser（页面存档备份，存于互联网档案馆） MIT许可证 Java 2012-06-05 是 ？ ？
AVHTML（页面存档备份，存于互联网档案馆） LGPL C++ 2015-07-17 是 否 是
解析器 许可证 实现语言 最新日期* HTML解析 清理HTML** 升级HTML***
* （有重要更新的）最新版本日期。
** 规范（生成标准兼容的网页，减少垃圾信息，等）和清理（剥离过剩的表达标签，移除XSS代码，等）HTML代码。
*** 将HTML4.X升级到XHTML或HTML5，将废弃的标签（如CENTER）转换为有效的标签（如带有的DIV）。

参考资料

  1. ^ 12.2 解析HTML文档——HTML标准 （页面存档备份，存于互联网档案馆）（英文）
  2. ^ 基于lxml和html5lib，http://www.crummy.com/software/BeautifulSoup/（英文） （页面存档备份，存于互联网档案馆）
  3. ^ 版本·html5lib/html5lib-python （页面存档备份，存于互联网档案馆）（英文）
  4. ^ HTML-Parser：HTML 5的缺陷#53300 （页面存档备份，存于互联网档案馆）（英文）
  5. ^ 5.0 5.1 Windows的HTML Tidy （页面存档备份，存于互联网档案馆）（英文）
  6. ^ Tidy解析器举例：PHP的class.tidynode （页面存档备份，存于互联网档案馆）（英文）
  7. ^ HtmlCleaner以BSD许可证分发 （页面存档备份，存于互联网档案馆）（英文）
  8. ^ Jericho HTML Parser——在SourceForge.net浏览/jericho-html/3.3 （页面存档备份，存于互联网档案馆）（英文）
  9. ^ jsoup Java HTML Parser, with best of DOM, CSS, and jquery. jsoup.org. [2019-09-22]. （原始内容存档于2019-09-27）. 
  10. ^ 在master的jsoup/CHANGES·jhy/jsoup·GitHub （页面存档备份，存于互联网档案馆）（英文）
  11. ^ JTidy—在SourceForge.net浏览/JTidy （页面存档备份，存于互联网档案馆）（英文）
  12. ^ libxml2版本 （页面存档备份，存于互联网档案馆）（英文）
  13. ^ NekoHTML | 变更历史 （页面存档备份，存于互联网档案馆）（英文）