Сравнение парсеров HTML

Парсеры HTML — это программное обеспечение для автоматического языка гипертекстовой разметки (HTML) анализа . У них есть две основные цели:

Обход HTML: предложите программистам интерфейс для легкого доступа и изменения «строкового кода HTML». Канонический пример: парсеры DOM .
Очистка HTML: исправление недопустимого HTML и улучшение макета и стиля отступов полученной разметки. Канонический пример: HTML Tidy .

Парсер	Лицензия	Язык(и) реализации	Последняя дата*	HTML-парсинг ^[1]	HTML5-совместимый анализ	Чистый HTML**	Обновить HTML***
HTML аккуратный	Лицензия W3C	АНСИ С	2021-07-17 ^[2]	Да ^[3]	Да	Да ^[3]	Да
ХтмлЮнит	Лицензия Апач 2.0	Ява	2023-10-31 ^[4]	Да	?	Нет	Нет
Красивый суп	МОЯ лицензия	Питон	2023-04-07 ^[5]	Да	Да	?	Нет
являются	МОЯ лицензия	Ява	2024-07-10 ^[6]	Да	Да	Да	Да
Парсер	Лицензия	Язык(и) реализации	Последняя дата*	HTML-парсинг	HTML5-совместимый анализ	Чистый HTML**	Обновить HTML***

* Дата последнего выпуска (со значительными изменениями).

** очистка (создание веб-страницы, совместимой со стандартами, уменьшение количества спама и т. д.) и очистка (удаление лишних презентационных тегов, удаление кода XSS и т. д.) HTML-кода.

*** Обновляет HTML4.X до XHTML или HTML5, преобразуя устаревшие теги (например, CENTER) в действительные (например, DIV с style="text-align:center;").

Ссылки

[1] 12.2 Анализ HTML-документов - Стандарт HTML. Архивировано 16 января 2013 г. на Wayback Machine.

[2] HTML Tidy, версия 5.8.0

[what_is_tidy-3] Перейти обратно: ^а ^б Что такое Тайди?

[HtmlUnit_Release_2.50.0-4] HtmlUnit 3.7.0

[5] Красивый суп, выпуск 4.10.

[6] soup Java HTML Parser, версия 1.18.1

[1]

[2]

[3]

[4]

[5]

[6]