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库来做到这一点。但是，使用 Boilerpipe 我只能得到原始文本。除了原始文本之外，我还需要使用原始源格式信息捕获文本，并内联所有 css 样式信息。
有没有办法用 Boilerpipe 或任何其他 java 库来做到这一点，最好是开源的？
问问题
453 次
1 回答
1
我应该首先说我从未使用过 Boilerpipe ......甚至直到现在才听说过它。
但是看看网站和javadocs，我会说你不能用它来提取带有样式的文本。基本的概念问题是该样式将/可以如何表示。例如，BoilerpipeExtractor接口有 4 个getText方法，每个方法都将提取的文本作为字符串返回。您将如何表示字符串中的样式？您必须嵌入某种标记，但是...
- 什么样的标记，以及
- 您如何将其与接口的描述相协调，该描述表示方法返回“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不可能的。因此，请选择您已经确定的其他替代方案。
于 2012-06-10T03:58:52.970 回答