java - 使用内联 CSS 提取 HTML 文章文本

Question

我想从抓取的 html 网页中提取文本。我正在使用优秀的开源Boilerpipe图书馆就是为了做到这一点。然而，使用 Boilerpipe 我只能得到原始文本。除了原始文本之外，我还需要捕获具有原始源格式信息以及内联所有 css 样式信息的文本。

有没有办法用 Boilerpipe 或任何其他 java 库(最好是开源的)来做到这一点？

Answer 1

我首先要说的是，我从未使用过 Boilerpipe……甚至直到现在才听说过它。

但是查看网站和 javadocs，我想说您不能使用它来提取带有样式的文本。基本的概念问题是如何表示样式。例如，BoilerpipeExtractor接口(interface)有 4 个 getText 方法，每个方法都以字符串形式返回提取的文本。您如何在字符串中表示样式？您必须嵌入某种标记，但是......

• 什么样的标记，以及
• 您如何将此与接口(interface)的描述相协调，接口(interface)的描述表明方法返回“文本”...而不是“带有标记的文本”。

所以，我的评估是使用 Boilerpipe 来提取带有样式的文本是完全行不通的。因此，请选择您已经确定的其他替代方案。