java - 如何自动从html页面创建模板？

Question

我有一个用例，我需要在 Java 中以编程方式呈现给定网页格式的未格式化文本。即，文本应该像网页一样自动格式化，包括样式、段落、要点等。
正如我首先看到的，我将不得不分析一段未格式化的文本，以找出段落、项目符号、标题等的候选者。我打算使用 Lucene 分析器/分词器来完成这项任务。有没有其他选择？
第二个问题是将格式化的网页转换为某种模板(例如 velocity 模板)，其中包含各种实体的占位符，如标题、要点等。
Java 中是否有任何文本分析/模板库可以帮助我做到这一点？最好开源。
对于在 Java 中以更好的方式完成此类任务，还有其他建议吗？

感谢您的帮助。

Answer 1

您正在做的事情有很多困难的部分。

用户输入

如果您不要求用户提供任何上下文，您将永远猜不到文本的结构。至少，您应该要求他们在您的 GUI 中提供一个标题和一系列段落。

理想情况下，您可以要求他们遵循一种众所周知的标记语言(Markdown、Textile 等)并使用开源解析器来提取结构。

外部页面

如果使用任何页面，您唯一可以依赖的就是“结构标记”。因此，假设您知道页面的标题应该是“Hello World”，并且页面中某处有一个“h1”元素，您可以假设这就是页眉所在的位置。

但是如果页面是一个 div 标签汤，并且只使用 CSS 来区分标题的呈现而不是大部分文本，那么您将不得不猜测样式是如何完成的:如果您不知道页面是如何制作的，那显然是不可能的。

我认为 Lucene 对此没有帮助(据我所知，Lucene 是用来创建大量文本中使用的单词的索引；我认为它不能帮助您猜测文本的哪一部分text 是标题，副标题等...)

从外部页面生成模板

假设您“猜”对了，您可以通过以下方式生成内容

• 复制粘贴页面
• 用您选择的模板语言的标签替换要更改的部分
• 将模板存储在模板系统可以访问的地方
• 配置您的模板/ View 系统(viewResolver for velocity)为正确的人使用正确的模板

这当然会带来可怕的法律问题，因为您的模板将包含原始网站作者的作品(很可能是受版权保护的 Material )

更现实的解决方案

我建议您将问题限制为:

• 使用具有一些可用结构信息的输入(使用 GUI 输入它，使用标记语言，等等)
• 使用您提供的模板，了解(并且可以很容易地重用)的结构

请注意，这些点都与模板系统无关。

否则，恐怕您的工作量会超出合理范围...