Jericho HTML Parser

Jerich HTML parser je open source, jednoduchý, ale účinný knihovna napsaná úplně v Javě.
To umožňuje programátorům manipulovat a analyzovat části dokumentu HTML.
Jerich HTML parser také obsahuje vysoké úrovni, funkce pro manipulaci s HTML forma

Co je nového v této verzi:.

• Opravy chyb:
• [3581664] CharacterReference.decode () není dekódovat prvky obsahující číslice - & frac12; & Frac14; & Frac34; & Sup1; & Sup2; & Sup3; A there4,
• [3311286] SourceCompactor nerespektuje textarea
• [3519131] Renderer výstup nesprávný když postavený s objektem prvků.
• [3538829] Renderer výstup písma výzdoba na hranicích bloků nesprávné.
• Segment.getAllStartTags (název) a Segment.getFirstElement (název) nefungují, pokud argument obsahuje velká písmena.
• koncový oddělovač společného serveru tagu uvnitř uprchlý tagu serveru je falešně uznáván jako koncový oddělovač na uprchlého tagu.
• změny, které by mohly ovlivnit CHOVÁNÍ stávajících programů:
• [3427073] Segment.getStyleURISegments () nyní obsahuje obsah, styl prvek, stejně jako hodnoty atributů stylu.
• [3427927] Segment.getURIAttributes () nyní obsahuje archivní atributy objektu a applet prvků.
• Komentáře již uznané uvnitř elementy skriptu za plného sekvenčním Parse. Dříve byly uznány pro kompatibilitu s hlavními prohlížeči, ale moderní chování prohlížeče změnilo.
• Změnil úroveň protokolu všech parsování chyb od INFO k chybě, a úroveň log v Source.fullSequentialParse () poradní zprávu od upozornil na INFO. Předchozí úrovně dal textovou větší závažnost, než chyby analýzy, brání těžbě systémy z úkrytu poradní zprávu zároveň ukazuje chyby analyzátoru. Varování kódování znaků zůstávají beze změny na úrovni WARN.
• změny chování metody Renderer.renderHyperlinkURL (Starttag) tak, aby relativní adresy URL nejsou považovány.
• změny chování vykreslovací tak, aby obsah hypertextový odkaz element není vykreslen, pokud je stejný jako hypertextový odkaz URL, nebere zřetel na http: //. Prefix / nebo přípona
• EndTag.tidy () nyní odstraní mezery před zavírací držáku.
• Added zdroj (File) konstruktor.
• metoda přidané OutputDocument.getSegment ().
• Added OutputDocument.remove (int začátek, int konec metody).
• metoda přidané Renderer.setHRLineLength ().
• Added RenderToText.jsp webapp vzorku.
• metoda přidané Segment.getRowColumnVector ().
• detekce kódování nyní ignoruje běžné kódování uvedené v meta tagy, které mají velikost kód celek neslučitelným s předběžným kódování.
• Modernizované následujících loggeru rozhraní API: slf4j-api-1.7.2, Log4j-1.2.17

Co je nového ve verzi 3.1:

• Opravy chyb:
• [2793556] Infinite loop na Segment.getAllStartTags ()
• Infinite loop na Segment.getAllElements ()
• Segment.getFirst * metody vrátil segmenty mimo ohraničující segmentu.
• Segment.getAllElements metody nevrátil všechny uzavřené prvky, za určitých okolností.
• Opraveny chyby dokumentaci v Segment.getAllElements způsoby.
• Added StreamedSource class.
• změny, které by mohly ovlivnit CHOVÁNÍ stávajících programů:
• Změnil ParseText od třídy rozhraní.
• Segment.getNodeIterator () nyní vrací povahových rysů jako samostatné uzly.
• Přidáno štítek způsoby hledání založené na hodnotu atributu regulárních výrazů.
• Přidáno štítek způsoby hledání založené na HTML třídě atributu.
• Přidána statická Source.LegacyNodeIteratorCompatabilityMode majetek dočasně obnovit Segment.getNodeIterator (), funkce jako u předchozí verze.
• Odebráno char [] na základě vyhledávání metody ParseText.
• Added CharacterReference.appendCharTo (Appendable) metoda.
• Added OutputDocument (segment) konstruktor.
• Added StreamedSourceCopy ukázkový program.

Co je nového ve verzi 3.0:

• Opravy chyb:
• bezúhonnosti zastupující unicode doplňující znaky nebyly správně dekódován na UTF-16 kód jednotky párů.
• [2188446] Element.getDepth () a Element.getParentElement () vrátila nesprávné výsledky, pokud zavolal rozebrat na režimu poptávky.
• Komentáře jsou nyní uznávány v & lt; script & gt; prvky.
• API změny, které nejsou zpětně kompatibilní:
• změnila název balíček net.htmlparser.jericho
• Atribut hodnoty musí být nyní String spíše než CharSequence.
• odstraněny všechny zastaralé metody / třídy z předchozích verzí.
• Všechny najít * metody zastaralé ve prospěch dostanou * metod s cílem uplatnit jednotné pojmenování v rámci všech metod tag vyhledávání.
• Tag, živel a HTMLElements třídy již implementovat HTMLElementName rozhraní. (Použijte statické import místo)
• Všechny kolekce nyní stongly zadaný pomocí generik.
• Změněno FormControlOutputStyle třídu výčet.
• Změněno FormControlType třídu výčet.
• Added CharStreamSource.appendTo (Appendable) metoda.
• metoda přidané Source.iterator ().
• Source nyní implementuje Iterable.
• používá interně StringBuilder pro lepší výkon.
• Added Source.getNextStartTag (StartTagType) metoda.
• Added Source.getNextEndTag (EndTagType) metoda.
• Added Source.getPreviousStartTag (StartTagType) metoda.
• Added Source.getPreviousEndTag (EndTagType) metoda.
• Added Segment.getAllStartTags (StartTagType) metoda.
• přidáno všechny Segment.getFirst * metody.
• Added Renderer.renderHyperlinkURL (Starttag) metoda.
• Added HTMLSanitiser ukázkový program.
• Modernizované k slf4j-api-1.5.6

Požadavky na :

• Java 2 Standard Edition Runtime Environment