html - 如何从 HTML 中提取有意义的文本

Question

我想解析一个 html 页面并从中提取有意义的文本。任何人都知道一些好的算法来做到这一点？

我在 Rails 上开发我的应用程序，但我认为 ruby​​ 在这方面有点慢，所以我认为如果在 c 中存在一些好的库，那将是合适的。

谢谢!!

PD:请不要用java推荐任何东西

更新:我找到了这个 link text

遗憾的是，是在python中

Answer 1

使用Nokogiri ，速度很快，用 C 语言编写，适用于 Ruby。

(使用正则表达式来解析像 HTML 这样的递归表达式是 notoriously difficult and error prone，我不会走那条路。我只在答案中提到这一点，因为这个问题似乎一次又一次地出现。)

使用像上面提到的 Nokogiri 这样的真实解析器，您还可以获得额外的好处，即保留 HTML 文档的结构和逻辑，有时您确实需要这些线索。