对比 htmlcxx (c++)和 htmlparser(java) :
1. 功能上htmlparser会更强大一些，提供了filter/http下载等能力，还有vistor模式等等，灵活强大；而htmlcxx主要是一个分析库，有html/css两个分析器，可以将内容分析为dom类型的节点树，以提供遍历的能力，还可以分析节点的属性，相比之下也比较灵活；
2. 两者在分析tag方面的能力相差不大，性能上，感觉htmlcxx速度比htmlparser快很多（不知道是不是我的elicpse导致的）；
范例：
//htmlcxx_test.cc
tree tr;
HTML::ParserDom parser;
parser.parse(sFileBuffer);
tr = parser.getTree();
tree::iterator it = tr.begin();
while(it++ != tr.end())
{
if (!it->isTag())
continue;
if (it->tagName().compare(“a”) == 0)
{
it->parseAttributes();
cout < < "a:href:" << it->attribute(“href”).second < < endl;
}
else if (it->tagName().compare(“script”) == 0)
{
it->parseAttributes();
cout < < "script:src:" << it->attribute(“src”).second < < endl;
}
else if (it->tagName().compare(“img”) == 0)
{
it->parseAttributes();
cout < < "img:src:" << it->attribute(“src”).second < < endl;
}
else if (it->tagName().compare(“link”) == 0)
{
it->parseAttributes();
cout < < "link:href:" << it->attribute(“href”).second < < endl;
//std::cout <<"show:"<< it->text() < < endl;
}
//htmlparser_test.java
Parser parser = new Parser(args[0]);
//parser.setInputHTML(file);
NodeList tags = parser.parse(new myFilter());
// = parser.extractAllNodesThatMatch();
SimpleNodeIterator iter = tags.elements();
while(iter.hasMoreNodes())
{
TagNode tag = (TagNode)iter.nextNode();
if (tag.getTagName().equalsIgnoreCase("a") ||
tag.getTagName().equalsIgnoreCase("link") )
{
System.out.println("a|link:" + tag.getAttribute("href"));
}
else if (tag.getTagName().equalsIgnoreCase("img") ||
tag.getTagName().equalsIgnoreCase("script") )
{
System.out.println("img|script:" + tag.getAttribute("src"));
}
}
===============================
其他一些类似库：
1. htcheck 主要是一个破link检测工具，里面有一个htparser库，可惜写的有些糟糕，又没有例子，难以啃下；
2. htmlparser1.0 代码风格相当不错，似乎是mozilla一位贡献者的作品，可惜需要安装qt，而且功能较少，只能分析link
3. htmlpaser_v200 一个分布式引擎的开源组件，可惜是.net的
4. HTMLReader 来自codeproject的htmlreader，似乎主要是用来加亮语法