Jericho HTML Parser

Descripción

Jericho HTML Parser es una biblioteca Java que permite el análisis y la manipulación de partes de un documento HTML, incluidas las etiquetas del lado del servidor, mientras reproduce textualmente cualquier HTML no reconocido o no válido. El analizador reconoce explícitamente las etiquetas de servidor ASP, JSP, PSP, PHP y Mason. Esto significa que el HTML normal aún se analiza correctamente incluso si hay etiquetas de servidor dentro de ellos, lo cual es común, por ejemplo, cuando se configuran dinámicamente los atributos de los elementos. Tiene una funcionalidad integrada para extraer todo el texto del marcado HTML, representar el marcado HTML con un formato de texto simple, formatear el código fuente HTML que sangra los elementos según su profundidad en la jerarquía de elementos del documento y compactar el código fuente HTML eliminando todo el blanco innecesario. espacio.