我正在开发一个需要解析 HTML 文档的产品。我寻找 Jericho、TagSoup、Jsoup 和 Crawl4J。我应该使用哪个解析器来解析 HTML，因为我需要使用石英在多线程环境中运行此进程？
如果一次有 10 个线程在内存中运行，那么我需要一个消耗更少内存的 API。在杰里科，我在某处读到它是基于文本的搜索 API，并且消耗的内存更少。我对吗？或者我应该去其他的，为什么？
问问题
382 次
2 回答
2
测试它们并检查它们的内存占用。如果不了解和测试您要解析的 HTML，就很难对内存配置文件进行预测。
FFIW，我在许多不同的系统中使用过 Jsoup，我发现它工作得非常好。我也从未注意到它有任何猖獗的记忆问题。
于 2012-09-11T11:41:26.460 回答
0
我正在使用 JSoup，给我留下了深刻的印象。它的解析速度非常快，而且它的 CSS 样式模式匹配内容比 XPath 更容易维护。
我首先尝试了Validator.nu 的解析器，发现它非常缺乏。文档非常薄，我无法让它正确执行在 Chrome 中运行良好的 XPath。
另外，看看这个问题：哪个 HTML Parser 是最好的？
于 2014-01-03T18:28:56.760 回答