基于DOM的Web页面文本提取技术相对成熟, 可选择应用工具较多, 比如HTMLparser、jsoup、nsoup都是常见的基于DOM的Web页面分析工具, 通过对工具进行了系列的剖析比较之后, 最后使用了jsoup作为基础的文本信息提取工具。
jsoup HTML分析器, 可直接分析某个URL地址、HTML文本内容。提供了一套很省力的API, 可通过DOM, CSS与像j Query的操作办法来取出和操作数据。
同时, jsoup还支持对HTML文档进行清理, 十分有益于Web页面转换系统的达成。
