Estoy intentando parsear un fichero en html usando java, ahora mismo estoy intentando usar el parser que hay en javax.swing.text.html.parser, pero estoy abierto a cualquier sugerencia de librerías o lo que sea.

El fichero en html que quiero parsear es bastante largo y tiene etiquetas bastante complejas, como cualquier html generado desde un documento .doc de microsoft office. También estoy abierto a sugerencias sobre como parsear un .doc, pasarlo a html me ha parecido la mejor.

Lo que hago es que creo un DocumentParser y llamo al método parse con un objeto de la clase MyCallback que creo para eso, esta clase es subclase de Callback y sólo he redefinido el método "handleSimpleTag" porque es lo único que me interesa hacer.

El problema es que ese método redefinido no se llama nunca, no sé porqué. Así que estoy bastante perdido.

Muchas gracias.

Si, esa página la he estado mirando, pero al final he llegado a la conclusión de que lo más sencillo es utilizar el que viene con el propio java, no sólo porque no tienes problemas de librerías, classpath, etc (que es lo de menos) sino porque parecía ser el más claro.

De estos algunos no sirven para lo que quiero hacer, como JTidy que hace muy pocas cosas, y otros parecen aún más complicados que el que estaba usando. Quería hacer un programa sencillo y rápido, pero me temo que no va a ser posible, más que nada porque ya le he dedicado más tiempo de lo que le correspondería a un programa sencillo y rápido.

He probado a usar el depurador y al invocar el método DocumentParser.parse(in, callback, ignoreCharSet) directamente he comprobado que no hace nada, el depurador pasa por encima exactamente igual que si pusiera "null;", una cosa un poco rara...