spell-checking - 你如何拼写检查网站？

Question

我知道拼写检查器并不完美，但随着文本数量的增加，它们变得越来越有用。如何拼写检查一个有数千页的网站？

编辑:由于复杂的服务器端处理，我可以通过 HTTP 获取页面的唯一方法。也不能外包给第三方。

编辑:我有我需要检查的站点上所有 URL 的列表。

Answer 1

Lynx 似乎擅长只获取我需要的文本(正文内容和替代文本)而忽略我不需要的文本(嵌入的 Javascript 和 CSS)。

lynx -dump http://www.example.com

它还列出了页面中的所有 URL(转换为它们的绝对形式)，可以使用 grep 过滤掉这些 URL:

lynx -dump http://www.example.com | grep -v "http"

如果我使用 wget 镜像站点，URL 也可以是本地的( file:// )。

我将编写一个脚本，该脚本将使用此方法处理一组 URL，并将每个页面输出到一个单独的文本文件。然后我可以使用现有的拼写检查解决方案来检查文件(或组合所有小文件的单个大文件)。

这将忽略标题和元元素中的文本。这些可以单独进行拼写检查。