JTidy o Jsoup per Java

Question

Recentemente ho sviluppato web scrapers in python con BeautifulSoup. Ora voglio sapere quali librerie sono le più preferite in Java. Ho fatto qualche ricerca, principalmente vedo JTidy e JSoup. Qual'è la differenza tra loro?

Answer 1

JTidy è più comunemente usato per ordinato il codice HTML, che è, per correzione malformati o difettoso HTML, come i tag non chiusi, per esempio, da <div><span>text</div> a <div><span>text</span></div.

JSoup, d'altra parte, fornisce un'API in piena regola per analizzare HTML e a estratto parti di esso. Ti permette di usare jQuery come selectors per trovare elementi, o DOM methods, equivalenti a quelli che usi con JavaScript, come ad esempio getElementById. Direi che JSoup è davvero l'equivalente di BeautifulSoup di Java.

Ad esempio, per estrarre il primo paragrafo di un articolo di Wikipedia con JSoup, è possibile utilizzare il seguente:

String url = "http://en.wikipedia.org/wiki/Potato"; 
Document doc = Jsoup.connect(url).get(); 
Elements paragraphs = doc.select(".mw-content-ltr p"); 
String firstParagraph = paragraphs.first().text(); 

O per estrarre il titolo da questa stessa domanda:

Document doc = Jsoup.connect("http://stackoverflow.com/questions/12439078/jtidy-or-jsoup-for-java").get(); 
String question = doc.select("#question-header a").text(); // JTidy or Jsoup for Java 

Una bella API, eh? :-)