java - 制作 Safari Reader 风格的应用程序

Question

我受到 Safari 阅读器功能的启发，它可以让您忽略网页上除故事之外的所有内容(构成页面要点的所有文本、链接和图像，但没有任何标记、前因、或结果)。我想制作一个基于 Java 的版本作为轻量级“浏览器”。

我的问题在这里:我不知道如何辨别主要内容。检查读者识别的页面，如 MSN articles和 fan fictions ，我意识到 Reader 识别的实际文本不仅很难找到，而且不一致并且被看似随机的标签打断了。例如，新闻链接以 <div class="postBody"> 开头。每一段都在<p> s，链接的小说以<div class="chapter_content" id="chapter_container">开头每段都以<br /><div style='float:left; height:1.0em; width:3.0em;'></div>开头但不在其自己的容器内。

因为 Safari 支持这个“阅读器”界面，显然有一种方法可以做到这一点，所以我不会问它是否存在。相反，我想知道:什么是好的、快速的、Java 支持的算法，用于提取网页上故事的标题和正文，无论页面本身如何，构造？

对于上下文，我已经创建了一个以 JEditorPane 作为窗口的基本浏览器，其 EditorKit 设置为 HTMLEditorKit，并且正在使用 setPage(URL page)显示目标页面的方法，但这可以根据需要进行更改。

Answer 1

如果您愿意使用某项服务，您应该查看 Instapaper或 Readability蜜蜂;否则，你可以窥视arc90 lab's JavaScript proof-of-concept implementation可读性。您还可以找到 several ports of Readability到 Java 和 several other languages在 GitHub 上。