Node.js上的HTML解析器
在nodejs上有像Ruby的nokogiri这样的东西吗？我的意思是用户友好的HTML解析器。
我在Node.js模块页面上看到了一些解析器，但是找不到漂亮又新鲜的东西。
问题答案：
如果要构建DOM，可以使用jsdom。
还有cheerio，它具有jQuery接口，并且比旧版本的jsdom快很多，尽管如今它们的性能相似。
您可能想看一下htmlparser2，它是一个流解析器，根据它的基准，它似乎比其他解析器快，并且默认情况下没有DOM。它也可以生成DOM，因为它还与创建DOM的处理程序捆绑在一起。这是cheerio使用的解析器。
parse5看起来也不错。它相当活跃（自此更新以来的最后一次提交以来，是11天），符合WHATWG，并且在jsdom，Angular和Polymer中使用。
如果要解析HTML以进行Web抓取，则可以使用YQL 1。有一个节点模块。如果您的HTML来自静态网站，我认为YQL是最好的解决方案，因为您依赖的是服务而不是自己的代码和处理能力。尽管请注意，如果网站的robot.txt禁止该页面，则该按钮将无法使用，但YQL不能使用该页面。
如果您要抓取的网站是动态的，那么您应该使用无头浏览器，例如phantomjs。也看看casperjs，如果你正在考虑phantomjs。您可以使用SpookyJS从node控制casperjs。
在phantomjs旁边有zombiejs。与无法嵌入到nodejs中的phantomjs不同，zombiejs只是一个节点模块。
后一种解决方案有一个nettuts + turtural。
-
问题内容： 谁能推荐C或Objective-C库进行HTML解析？它需要处理无法完全验证的凌乱的HTML代码。 这样的库是否存在，还是我最好只是尝试使用正则表达式？ 问题答案： 看起来像是SDK中附带的，并具有以下特征： 该模块使用与XML解析器兼容的API来实现HTML4.0非验证解析器。即使从规范的角度来看严重损坏，它也应该能够解析“真实世界”的HTML。 这听起来像我所需要的，所以我可能会使
-
问题内容： 我需要解析（服务器端）大量的HTML页面。 我们都同意，regexp不是行之有效的方法。 在我看来，javascript是解析HTML页面的本机方式，但是这种假设取决于服务器端代码，该代码具有javascript在浏览器内部具有的所有DOM功能。 Node.js是否具有内置的功能？ 有没有更好的方法来解决此问题，请在服务器端解析HTML？ 问题答案： 您可以使用npm模块jsdom和h
-
HTML5 Boilerplate 默认提供两个 html 页面： index.html 404.html index.html no-js类 no-js 类可以让开发者依据 JavaScript 被启用（.js）或被禁止(.no-js)两种状态，更轻易准确地添加自定义样式。 使用这个技巧也有助于避免浏览器闪烁（FOUC）。 lang 属性 请认真考虑在 <html> 中添加 lang 属性，从而
-
问题内容： 以下代码在Windows下的node.js中产生异常： 这是消息： 当我删除时，它工作正常。是什么原因造成的？我尝试关闭防火墙，但没有任何效果。 问题答案： node.js使用c-ares解析器，并且完全忽略系统解析器。因此，有关C：\ WINDOWS \ system32 \ drivers \ etc \ hosts的建议可能无关紧要。 c-ares库读取某些系统配置文件-例如，在
-
问题内容： 什么HTML解析器具有以下功能： 快速 线程安全 可靠且无错误 解析HTML和XML 处理错误的HTML 有一个DOM实现 支持HTML4，JavaScript和CSS标签 相对简单的面向对象的API 您认为哪种解析器更好？ 谢谢。 问题答案： ApacheTika是最佳选择。Apache最近从现有项目中提取了许多子项目并将其公开。提卡（Tika）是其中之一，以前是Apache Luc
-
问题内容： 我正在开发一个从网站上抓取数据的应用程序，我想知道应该如何获取数据。具体来说，我需要包含在使用特定CSS类的许多div标签中的数据-目前（出于测试目的）我只是在检查 在HTML的每一行中-都可以，但是我不禁感到有更好的解决方案。 有什么好方法可以给类添加一行HTML并提供一些好方法，例如： 问题答案： “ JTidy是HTML Tidy的Java端口，HTML Tidy是HTML语法检