利器HTMLJericho(标签属性标记文档文本)「html 标签属性大全 (完美版)」

Jericho HTML Parser是一个开源Java库，允许分析和操作HTML文档，包括服务器端标记，例如ASP、JSP、PHP等语言标记也是可以解析识别的
作为一款小而美的HTML解析工具，它的整个jar包大小只有不到200KB，这使得它不仅可以被用于有需要的服务器端程序，也可以被用于移动设备例如Android App中
目前最新版本为3.4
1.官方网址http://jericho.htmlparser.net/docs/index.html2.下载地址https://sourceforge.net/projects/jerichohtml/3.特性虽然体积不大，但其提供了非常丰富的针对HTML文档的解析功能，相比于其他的HTML解析工具，Jericho有以下特点：过滤掉任何无法识别的或无效的 HTML，使得解析不规则HTML的容错性好
可以识别并解析服务器标记语言ASP、JSP、PHP,即使普通HTML中有这些标记，仍然可以正确解析
一个使用StreamedSource类的基于流的解析选项，它允许使用事件迭代器对大文件进行内存高效处理
它既不是基于事件的解析器，也不是基于树的解析器，而是使用简单的文本搜索、高效的标签识别和标签位置缓存的组合
与DOM等基于树的解析器相比，如果只需要解析或修改文档的小部分，那么内存和资源需求会更好
源文档中每个位置的行号和列号都很容易访问
可以很容易地定义和注册自定义标记类型，以供解析器识别
可以从HTML标记中提取所有文本，适用于输入Apache Lucene等文本搜索引擎
格式化HTML源代码，根据元素在文档元素层次结构中的深度缩进元素
可以删除所有不必要的空白来压缩HTML源代码
我们试着解析Jericho官网：http://jericho.htmlparser.net/docs/index.html，对应源文件：来看一些简单示例：

public static void main(String[] args) throws MalformedURLException, IOException {    //jericho官网URL    String url = "http://jericho.htmlparser.net/docs/index.html";    Source source = new Source(new URL(url));    //获取HTML文档encoding属性    String encoding = source.getEncoding();    System.out.println(encoding);        //获取HTML文档第一个标签元素    Element firstElement = source.getFirstElement();    System.out.println(firstElement);        //获取所有的<H2>标签元素    List<Element> elements = source.getAllElements(HTMLElementName.H2);    System.out.println(elements);        //从HTML标记中提取所有文本    Element firstP = source.getFirstElement(HTMLElementName.P);    System.out.println("输出标签中的全部文本内容：" + firstP.getTextExtractor());        //获取文档中第一个DIV标签    StartTag tagDiv = source.getFirstStartTag(HTMLElementName.DIV);        //获取属性tagDiv标记的属性    Attributes attributes = tagDiv.getAttributes();    System.out.println("输出标签中的全部属性：" + attributes);        //输出属性名、属性值    for (Attribute attr : attributes) {        System.out.println("输出标签中的属性键值：" + attr.getName() + " ===> " + attr.getValue());    }        //属性替换    Map<String, String> attributesMap = new HashMap<String, String>();    attributesMap.put("font-size", "12pt");    attributesMap.put("style", "background-color:red;width:200px;height:200px");    OutputDocument output = new OutputDocument(tagDiv);    System.out.println("替换前：" + output.toString());    output.replace(attributes, attributesMap);    System.out.println("替换后：" + output.toString());        //缩进，格式化HTML源文件    String text = "<table><tr><td></td></tr><tr><td></td></tr></table>";    Source textSource = new Source(text);    String formatText = textSource.getSourceFormatter().toString();    System.out.println("缩进后的内容：");    System.out.println(formatText);        //去掉空格    SourceCompactor restoreText =             new SourceCompactor(new Segment(new Source(formatText), 0, formatText.length()));    System.out.println("HTML压缩后：" + restoreText);}

输出如下：

UTF-8<?xml version="1.0" encoding="UTF-8"?>[<h2>Features</h2>, <h2>Sample Programs</h2>, <h2>Building</h2>, <h2>Alternative HTML Parsers</h2>]输出标签中的全部文本内容：Jericho HTML Parser is a java library allowing analysis and manipulation of parts of an HTML document, including server-side tags, while reproducing verbatim any unrecognised or invalid HTML. It also provides high-level HTML form manipulation functions.输出标签中的全部属性： style="float: right; margin-left: 20px"输出标签中的属性键值：style ===> float: right; margin-left: 20px替换前：<div style="float: right; margin-left: 20px">替换后：<div font-size="12pt" style="background-color:red;width:200px;height:200px">缩进后的内容：<table><tr><td></td></tr><tr><td></td></tr></table>HTML压缩后：<table><tr><td></td></tr><tr><td></td></tr></table>