Возможности Jericho HTML Parser:

• Плохо сформированный HTML не мешает разбору остальных частей документа, что делает библиотеку идеальной для "реальных" HTML, на которых задыхаются другие парсеры.
• Серверные теги ASP , JSP , PSP , PHP и Mason однозначно признаны парсером. Это означает, что нормальный HTML-прежнему анализируется должным образом, даже если есть сервер тегов внутри них, что является общим, например, при динамической настройке атрибутов элементов.
• Опция разбора потока использует класс StreamedSource, который позволяет памяти эффективно обрабатывать большие файлы с использованием итератора событий. По сути, это альтернатива StAX с возможностью парсинга HTML и невалидных XML, а также несколько других функций, которые недоступны в других потоковых парсерах.
• В своей стандартной форме это ни парсер на основе событий ни дерево, он использует комбинацию простого текстового поиска, эффективного распознавания тегов и кэширование позиций тегов. Текст всего исходного документа сначала загружается в память а затем ищутся только соответствующие сегменты
• По сравнению с основными древовидными парсерами, такими как DOM, требование к ресурсам и памяти могут быть гораздо меньше, если требуется парсить только небольшие секции документов. Неправильное или плохо сформированные HTML можно легко игнорировать, в отличие от древовидных анализаторах, которые должны определять каждый узел в документе сверху вниз.
• По сравнению с основными парсерами событий, такими как SAX интерфейс более интуитивный и при необходимости создаётся древовидная иерархия элементов документа.
• В начальной и конечной позиции в исходном документе все анализируемые сегменты доступны, что позволяет модифицировать только отдельные сегменты документа без реконструкции всего документа с дерева.
• Номер строки и столбца каждой позиции в исходном документе легко доступны.
• Обеспечивает простой, но универсальный интерфейс для анализа и управления формами HTML, включая извлечение и заселение начальных значений и преобразования в режимы read-only или data display.
• Типы пользовательских тегов можно легко определять и регистрировать для признания анализатором.
• Встроенные функции для извлечения всего текста из HTML-разметки, подходят для скармливания в текстовый поисковик, такой как Apache Lucene.
• Встроенные функции для обработки HTML разметки с простым форматированием текста.
• Встроенные функции для формирования исходного кода HTML.
• Встроенные функции для форматирования HTML исходного кода делает отступ элементов в зависимости от их глубины в иерархии элемента документа .
• Встроенные функции в компактном HTML-коде удаляют все ненужные пробелы.