首页 / HTML / java – 给出html文件提取只是有意义的文本

java – 给出html文件提取只是有意义的文本

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了java – 给出html文件提取只是有意义的文本，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含934字，纯文字阅读大概需要2分钟。

内容图文

给定一个包含css链接,图像链接等的标准html文件,如何才能提取有意义的文本？有意义的是指与页面相关的文本.所以在StackOverflow的情况下,问答文本.对于新闻网站来说,这将是故事的主体.

一种算法可能用于确定什么是句子：搜索在开头和结尾处包含大写字母的单词序列(粗略但只是开始的东西).

有哪些替代方案？

更新：@Vanaja Jayaraman建议的套管似乎效果很好.我需要为samppipe添加以下Maven依赖项

<dependency>
    <groupId>xerces</groupId>
    <artifactId>xercesImpl</artifactId>
    <version>2.11.0</version>
</dependency>

<dependency>
    <groupId>net.sourceforge.nekohtml</groupId>
    <artifactId>nekohtml</artifactId>
    <version>1.9.21</version>
</dependency>

代码(Scala)提取文本：

  val source = scala.io.Source.fromFile("c:\\news1.html")
  val lines = source.mkString
  source.close()
println(de.l3s.boilerpipe.extractors.ArticleExtractor.INSTANCE.getText(lines));

解决方法:

如果您的输入是新闻站点,则可以使用Boilerpipe的文章提取器. Boilerpipe还提供其他一些提取器类型.

在JSoup中,您可以使用选择器概念.

内容总结

以上是互联网集市为您收集整理的java – 给出html文件提取只是有意义的文本全部内容，希望文章能够帮你解决java – 给出html文件提取只是有意义的文本所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/778757.html

来源：【匿名】