HTML Parser 选型-非决定性因素-搜狐博客

针对目前开源的Html parser项目做了选型比较以下是比较数据：

解析情况	Htmlparser-1.6	Nekohtml-1.9.6.1	HtmlCleaner-1.55
解析正确性	准确	很准确	准确
生产XML格式	很好，格式美化效果非常好，自动对齐代码整齐	很好，哦而有错位现象，比如 <script></script> <noscript></noscript> 会被分割到head和body中	Head域的Script块会被移动到body部分，格式美化效果非常好，自动对齐代码整齐
Html元素补偿	支持，补偿元素略有不准确，比如<p>ddd<table>会被处理为<p>ddd<table> </table></p>	支持，正确	支持，正确
是否支持从URL解析	支持	支持	不支持
解析<script>代码中的html标记	正确	对字符串中的<符号，会处理成<	BUG：凡出现html标记的地方都会换行并对格式美化；
解析<!->注释中的HTML标记	正确，保留注释，不做格式美化	正确，保留注释，不做格式美化	对注释忽略良好，内部不处理，只对格式美化（对齐方式）
对<tbody>标记处理	原样保留，不做元素补偿处理	会对<tbody>补偿处理，但是处理有bug	正确
针对页面有多个<HTML>标记	正确，保留多个HTML	会去掉第二个html标记，并且将body	会忽略掉第二个html
对类似&特殊字符处理	正确	正确	正确
Api复杂度	最复杂	较复杂	简单
对同一文件解析1000次耗时	656ms	1516ms	1438ms

在选型之前也看到了Jericho html parser 但是该项目的安照tag模式去搜寻解析的，不是常规的生成xml模式，这对我们后面用到的xpath不兼容，所以放弃了该项目。

非决定性因素