Awesome GitHub RepositoriesXML and HTML Document Parsers

jsdom is a Node.js implementation of web standards that functions as a headless browser emulator. It provides a JavaScript execution environment and an HTML and XML parser to simulate a browser environment on the server side, implementing various web APIs and W3C standards. The project distinguishes itself by providing a sandboxed runtime for executing scripts embedded in HTML or external files. It includes specialized polyfills for the Canvas API and manages session state through HTTP cookie management. Its broader capabilities cover network interaction via request interception and resource

goquery is a Go HTML parsing library and CSS selector engine used to isolate and retrieve specific text or attributes from HTML documents. It functions as an HTML DOM manipulator that converts raw HTML strings into a structured tree for programmatic navigation and search. The library provides a fluent interface for chaining selection and filtering operations and utilizes a wrapper-based abstraction to simplify data extraction and manipulation of nodes. It employs an iterator-based processing mechanism to apply operations to every node within a matched selection. Its primary capabilities cove

Gop is a general purpose programming language and cross-language compiler designed to unify assets and libraries from multiple programming ecosystems into a single shared environment. It translates high-level source code into executable binaries using specialized backends tailored for different target environments. The project features a system for natural language programming, transforming human-readable instructions written in plain English into executable code. It also functions as a cross-language tool that imports and integrates external libraries and assets from different language ecosy

Hamcrest PHP is a declarative assertion framework and matcher library used for unit testing in PHP. It provides a set of flexible matchers to verify object states, data types, and collection contents. The library includes specialized tools for XML verification using XPath expressions to analyze document structures and element content. It also allows for the creation of complex validation rules by combining multiple independent matchers through logical operators. The framework covers a broad range of validation primitives, including string content inspection, numeric comparison, and object pr

Nokogiri is an XML and HTML parsing library that builds navigable document trees from strings, files, or URLs using native C parsers for speed and standards compliance. It provides a CSS selector engine that translates CSS3 selectors into XPath expressions for querying nodes, an XPath query interface with namespace support, a document manipulation toolkit for modifying parsed documents, XSD schema validation, and XSLT transformation capabilities. The library wraps libxml2 and libxslt C libraries with Ruby bindings for high-performance parsing, and integrates Google's Gumbo parser for standard

TinyXML-2 ist eine leichtgewichtige C++-Bibliothek zum Parsen, Manipulieren und Generieren von XML-Dokumenten. Sie fungiert als UTF-8-XML-Prozessor, der Daten durch ein hierarchisches Document Object Model repräsentiert. Die Bibliothek bietet Tools sowohl für das DOM-Parsing als auch für die direkte Dokumentengenerierung über Datenströme. Sie umfasst Funktionen zum Navigieren im XML-Baum, um spezifische Elemente zu lokalisieren, Attribute und Inhalte zu modifizieren sowie Zeichenentitäten und numerische Unicode-Referenzen in UTF-8-Text aufzulösen. Der Prozessor enthält Syntaxvalidierungs- und Diagnosetools, die Zeilennummern-Metadaten für jeden Knoten und jedes Attribut nachverfolgen, um präzise Koordinaten für Parsing-Fehler zu melden.

SwiftSoup is a cross-platform HTML processing library for Swift that converts raw HTML or XML strings and files into a structured document object model. It provides the core infrastructure to parse web content into a traversable tree, enabling programmatic access to page elements across iOS, macOS, and Linux. The library features a CSS selector engine for data extraction and a whitelist-based sanitization system to remove unsafe tags and attributes from user-submitted content. It optimizes repetitive document queries through memoized query caching. The project covers DOM manipulation for upd

htmlparser2 is a collection of tools for high-performance markup parsing, DOM manipulation, and incremental stream processing. It functions as an HTML and XML parser that converts markup strings into structured object trees, alongside a streaming markup parser designed for memory-efficient processing of large documents. The project includes a DOM manipulation library for querying, modifying, and serializing document object model trees. It also provides a web feed parser to extract structured metadata and entries from RSS, RDF, and Atom feeds. The library covers broad capabilities in data par

Open-XML-SDK ist eine Bibliothek zur programmatischen Erstellung, Modifikation und Validierung von Office-Dokumenten auf Basis des Open XML-Standards. Sie fungiert als Office-Dateigenerator und XML-Dokument-Parser und ermöglicht die Manipulation von Textverarbeitungs-, Tabellenkalkulations- und Präsentationsdateien. Die Bibliothek ermöglicht die Generierung und Aktualisierung von Dokumentinhalten und -strukturen, ohne dass die nativen Office-Anwendungen installiert sein müssen. Sie verwendet stark typisierte Klassen und einen schema-validierten Ansatz, um sicherzustellen, dass erstellte Dateien kompatibel und korrekt strukturiert bleiben. Das Projekt bietet Funktionen für die strukturelle Validierung gegen offizielle Schemata, die Einbettung von Multimedia-Inhalten wie Videos sowie die Verwaltung von Dokumentteilen und Beziehungen. Es unterstützt sowohl die Manipulation von In-Memory-Bäumen als auch das Stream-basierte Parsing zur Verarbeitung von Dokumentdaten.

Dieses Projekt ist ein Node.js-Web-Scraping-Framework zur Automatisierung der Datenextraktion durch einen programmatischen Workflow aus Anfragen, Parsing und Dokumentinteraktion. Es fungiert als Headless-Web-Crawler, HTTP-Request-Manager sowie DOM-Parser und -Extraktor. Das Framework zeichnet sich durch die Kombination einer JavaScript-Execution-Engine zur Interaktion mit dynamischen Inhalten und einem hybriden Selektionssystem aus, das sowohl CSS- als auch XPath-Selektoren nutzt. Es enthält spezialisierte Middleware für Proxy-Rotation und Cookie-Jar-Session-Management, um authentifizierte Zustände beizubehalten und automatisierten Traffic zu verwalten. Die breiteren Funktionen umfassen rekursives Link-Crawling, Paginierungs-Handling und Web-Formular-Automatisierung. Das Tool bietet zudem Traffic-Management-Funktionen wie Request-Rate-Limiting durch zeitliche Verzögerungen und benutzerdefinierte HTTP-Header-Konfiguration.

Jodd ist eine Suite von leichtgewichtigen Java-Erweiterungen und Standardbibliotheks-Utilities für Anwendungskonfiguration, Datenbank-Mapping, Dependency Injection und HTML-Parsing. Es bietet ein konsolidiertes Set an Core-Tools, um die Java-Entwicklung zu erleichtern, mit einem Zero-Dependency-Kern, der Kompatibilität und einen geringen Footprint in verschiedenen Umgebungen sicherstellt. Das Projekt bietet einen pragmatischen Dependency-Injection-Container zur Verwaltung von Objekt-Lebenszyklen und einen Datenbank-Mapper, der SQL-Templates verwendet, um Result-Sets direkt auf Java-Objekte zu mappen. Es enthält einen spezialisierten Konfigurationsmanager, der Profile, Sektionen und Makros unterstützt, sowie einen HTML-Parser, der Elemente mittels CSS3-Selektoren extrahiert. Zusätzliche Funktionen umfassen Netzwerkkommunikation über einen leichtgewichtigen HTTP-Client, JSON-Serialisierung sowie E-Mail-Versand und -Empfang. Das Toolkit bietet zudem Utilities für Datenvalidierung, Typkonvertierung, Transaktionsmanagement und die Generierung dynamischer Proxys für Verhaltens-Interzeption.

Dieses Projekt ist ein HTML- und XML-DOM-Parser, der für das Laden und Navigieren in der Struktur von Webdokumenten entwickelt wurde, um spezifische Datenpunkte zu extrahieren. Es fungiert als Web-Scraping-Utility, das ein System zur Lokalisierung präziser Elemente unter Verwendung einer CSS- und XPath-Selektor-Engine bereitstellt. Die Bibliothek enthält einen URI-Resolver, der relative Links in Dokumenten unter Verwendung eines Basis-URIs in absolute Adressen konvertiert. Sie bietet eine Reihe von Tools zum Abrufen von Text, Attributen und Medienquellen aus geparsten Inhalten. Das Toolset deckt die Traversierung von Dokumenthierarchien, selektorbasiertes Filtern und Textextraktion mit Whitespace-Normalisierung ab. Es unterstützt die programmatische Verarbeitung von XML-Strukturen und die Verifizierung des Vorhandenseins von Elementen auf Webseiten.

parse5 ist ein WHATWG-konformer HTML-Parser und -Serializer für Node.js. Er transformiert HTML-Strings in ein Document Object Model (DOM) und konvertiert diese Bäume gemäß der Logik des HTML Living Standard zurück in gültige HTML-Strings. Das Projekt fungiert als Streaming-HTML-Prozessor und nutzt inkrementelles Parsing, um große Dokumente in Blöcken zu verarbeiten. Es enthält einen HTML5-konformen Tokenizer, der mittels Zustandsautomat Eingaben gemäß offizieller Web-Spezifikationen in Tokens zerlegt. Das Toolset umfasst HTML-Dokument-Parsing, Serialisierung und Echtzeit-Rewriting via Streams. Diese Funktionen ermöglichen die programmatische Analyse und Datenextraktion aus HTML-Dokumenten bei gleichbleibender Konsistenz über verschiedene Umgebungen hinweg.

Gosub-engine is an HTML5 browser engine and web rendering pipeline that parses HTML5 and CSS3 to compute layout and render web content to pixels. It functions as a JavaScript runtime environment with a virtual machine and event loop for handling dynamic logic and asynchronous tasks. The system also includes a web storage manager for persisting cookies, local storage, and session storage. The project features a headless browser renderer capable of generating page images or extracting plain text without a visible window. It supports cross-platform graphics rendering through pluggable CPU and GP