Как мне программно проверить HTML-документ

Question

У меня есть база данных, заполненная небольшими документами HTML, и мне нужно программно вставить несколько, скажем, документов PDF с iText или документов Word с Aspose.Words . Мне нужно сохранить любое форматирование в HTML-документах (в разумных пределах необходимо соблюдать теги , CSS вроде очень удобен).

И iText, и Aspose работают (примерно) по направлениям:

Document document = new Document( Size.A4, Aspect.PORTRAIT );

document.setFont( "Helvetica", 20, Font.BOLD );
document.insert( "some string" )
document.setBold( true );
document.insert( "A bold string" );

Поэтому (я думаю) мне нужен какой-то синтаксический анализатор HTML, который я смогу проверить на наличие строк и стилей для вставки в мой документ.

Кто-нибудь может предложить хорошую библиотеку или разумный подход к этой проблеме? Платформа Java

Answer 1

HTMLparser - хороший HTML-парсер.

Я использовал это для разбора HTML в одном из моих проектов.

Вы можете написать свои собственные фильтры для разбора HTML на то, что вы хотите, поэтому Тег <br> не должен быть сложным для анализа

Вы можете анализировать CSS с помощью CssSelectorNodeFilter

Answer 2

Если HTML представляет собой «правильно сформированный XML» (XHTML), почему бы не использовать синтаксический анализатор XML (например, Xerces) и затем программно проверить дерево DOM.

Answer 3

Ознакомьтесь с xhtml рендером для летающих тарелок - они визуализируют правильно сформированные XHTML-файлы в PDF и позволяют контролировать вывод с помощью CSS.

Answer 4

Возможно, вам лучше получить компонент, который идет непосредственно из HTML в PDF или Word, а затем попытаться проанализировать HTML-документ и самостоятельно продублировать форматирование на основе HTML. Если вы хотите конвертировать HTML в PDF и используете .Net, Winnovative предоставляет хорошее решение.

Answer 5

Adobe Acrobat Pro позволяет захватывать сайты через HTTP и отлично справляется с сохранением стиля и макета. Я не использовал его с точки зрения API, но, возможно, стоит взглянуть на него.