java - HTML 解析（在 Java/Android 中）然后从中提取数据是获取网页内容的有效方法吗？

Question

因此，在提取整个 HTML 代码之前，我使用 Android Java 中的 HTTP Post Requests 登录网站。之后，我使用 Pattern/Matcher (regex) 来查找我需要的所有元素，然后从 HTML 数据中提取它们，并删除所有不必要的内容。例如当我提取这个：

String extractions = <td>Good day sir</td>

然后我使用：

extractions.replaceAll("<td>", "").replaceAll("</td>", "");

我会多次执行此操作，直到获得该站点所需的所有数据，然后再将其显示在某种列表中。

我并没有特别拘泥于任何事情，但是请你告诉我这是否是从页面获取数据并处理它的一种有效/高效/快速的方式，或者有没有办法更快地做到这一点？因为有时它就像我的程序需要花费大量时间来获取某些数据（尽管主要是当我在手机上使用 3G 时）。

score 0 · Accepted Answer

使用正则表达式解析网站总是一个坏主意：

score 0 · Accepted Answer

查看用于从 HTML 中提取文本的 Apache Tika 库 - 还有许多其他解析器可用，例如 PDF 等：http ://tika.apache.org/

score 0 · Accepted Answer

正如其他人所说，正则表达式不是这项工作的最佳工具。但在这种情况下，您使用正则表达式的特定方式甚至比通常情况下效率更低。

无论如何，让我提供另一种可能的解决方案（取决于您的用例）。

它被称为 YQL（雅虎查询语言）。 http://developer.yahoo.com/yql/

这是它的控制台，因此您可以使用它。 http://developer.yahoo.com/yql/console/

YQL 是懒惰的开发人员动态构建自己的 api 的方式。主要的不便之处在于您必须使用雅虎作为中间人，但如果您对此表示满意，那么我建议您走那条路。使用 YQL 可能是完成此类工作的最快方法（特别是如果您的目标 html 不断变化并且其 html 标记并不总是有效）。

3 回答 3