HTML解析器对比

解析HTML是一项自动化工作，由（所谓的）HTML解析器执行。它们有两个主要目的：

• HTML遍历：为程序员提供一个接口，来轻松地访问和修改“HTML代码”。典型例子：DOM解析器。
• HTML清理：修正有语法错误的HTML，改善结果标记的布局和缩进样式。典型例子：HTML Tidy。

解析器	许可证	实现语言	最新日期*	HTML解析[1]	清理HTML**	升级HTML***
Beautiful Soup[2]	Python S. F. L.	Python	2013-05-31	是	？	？
Gumbo（页面存档备份，存于互联网档案馆）	Apache许可证2.0	C	2013-08-13	是	？	？
html5lib（页面存档备份，存于互联网档案馆）	MIT许可证	Python和PHP	2013-12-23[3]	是	是	否
HTML::Parser（页面存档备份，存于互联网档案馆）	艺术许可协议	Perl	2013-03-28	否[4]	？	？
htmlPurifier（页面存档备份，存于互联网档案馆）	GNU宽GPL	PHP	2009-03-25[5]	否	是	是
HTML Tidy	W3C许可证（英语：W3C Software Notice and License）	ANSI C	2009-03-25[5]	是[6]	是	？
HtmlCleaner（页面存档备份，存于互联网档案馆）	BSD许可证[7]	Java	2013-09-05	否	是	？
Hubbub（页面存档备份，存于互联网档案馆）	MIT许可证	C	2013-04-19	是	？	？
Jaunt API（页面存档备份，存于互联网档案馆）	Jaunt Beta许可证	Java	2013-08-01	是	是	否
Jericho HTML Parser（页面存档备份，存于互联网档案馆）	Eclipse公共许可证	Java	2012-10-30[8]	否？？	？	？
jsdom（页面存档备份，存于互联网档案馆）	MIT许可证	JavaScript	2013-07-21	否	？	？
jsoup[9]	MIT许可证	Java	2013-01-27[10]	是	是	是
JTidy（页面存档备份，存于互联网档案馆）	JTidy许可证（页面存档备份，存于互联网档案馆）	Java	2009-12-01[11]	是	？	？
libxml2 HTMLparser（页面存档备份，存于互联网档案馆）	MIT许可证	C	2012-09-11[12]	是	？	？
NekoHTML（页面存档备份，存于互联网档案馆）	Apache许可证2.0	Java	2013-02-27[13]	否	是	？
TagSoup	Apache许可证2.0	Java	2011-07-07	否	？	？
Validator.nu HTML Parser（页面存档备份，存于互联网档案馆）	MIT许可证	Java	2012-06-05	是	？	？
AVHTML（页面存档备份，存于互联网档案馆）	LGPL	C++	2015-07-17	是	否	是
解析器	许可证	实现语言	最新日期*	HTML解析	清理HTML**	升级HTML***

* （有重要更新的）最新版本日期。

** 规范（生成标准兼容的网页，减少垃圾信息，等）和清理（剥离过剩的表达标签，移除XSS代码，等）HTML代码。

*** 将HTML4.X升级到XHTML或HTML5，将废弃的标签（如CENTER）转换为有效的标签（如带有style="text-align:center;"的DIV）。

参考资料

1. 12.2 解析HTML文档——HTML标准 （页面存档备份，存于互联网档案馆）（英文）
2. 基于lxml和html5lib，http://www.crummy.com/software/BeautifulSoup/（英文） （页面存档备份，存于互联网档案馆）
3. 版本·html5lib/html5lib-python （页面存档备份，存于互联网档案馆）（英文）
4. HTML-Parser：HTML 5的缺陷#53300 （页面存档备份，存于互联网档案馆）（英文）
5. Windows的HTML Tidy （页面存档备份，存于互联网档案馆）（英文）
6. Tidy解析器举例：PHP的class.tidynode （页面存档备份，存于互联网档案馆）（英文）
7. HtmlCleaner以BSD许可证分发 （页面存档备份，存于互联网档案馆）（英文）
8. Jericho HTML Parser——在SourceForge.net浏览/jericho-html/3.3 （页面存档备份，存于互联网档案馆）（英文）
9. jsoup Java HTML Parser, with best of DOM, CSS, and jquery. jsoup.org. [2019-09-22]. （原始内容存档于2019-09-27）.
10. 在master的jsoup/CHANGES·jhy/jsoup·GitHub （页面存档备份，存于互联网档案馆）（英文）
11. JTidy—在SourceForge.net浏览/JTidy （页面存档备份，存于互联网档案馆）（英文）
12. libxml2版本 （页面存档备份，存于互联网档案馆）（英文）
13. NekoHTML | 变更历史 （页面存档备份，存于互联网档案馆）（英文）