如何将网页的HTML源转换成Java中的Or.W3C.DOM.文档?

这实际上是一件相当困难的事情,因为任意的HTML网页有时是畸形的(主要浏览器是相当宽容的)。你可能想看看 swing html parser 我从未尝试过,但看起来这可能是最好的选择。您还可以尝试这样做,并处理可能出现的任何解析异常(尽管我只在XML中尝试过这样做):

import java.io.File;
import org.w3c.dom.Document;
import org.w3c.dom.*;

import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.DocumentBuilder;
import org.xml.sax.SAXException;
import org.xml.sax.SAXParseException; 

...

try {
    DocumentBuilderFactory docBuilderFactory = DocumentBuilderFactory.newInstance();
    DocumentBuilder docBuilder = docBuilderFactory.newDocumentBuilder();
    Document doc = docBuilder.parse (InputStreamYouBuiltEarlierFromAnHTTPRequest);
}
catch (ParserConfigurationException e)
{
    ...
}
catch (SAXException e)
{
    ...
}
catch (IOException e)
{
    ...
}

...

我建议 http://about.validator.nu/htmlparser/ 实现了HTML5解析算法。火狐正在用这个来替换它自己的HTML解析器。

我只是在玩 JSoup 这是一个很棒的Java HTML解析器,它有点像jQuery。非常容易使用。