我受到 Safari 的阅读器功能的启发，它可以让您忽略网页上除故事之外的所有内容（所有文本、链接和图像构成页面的点，但没有任何标记、前因或后果） . 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。在查看了诸如MSN 文章和同人小说之类的 Reader 识别页面后，我意识到 Reader 识别的实际文本不仅难以找到，而且不一致，并且带有看似随机的标签。例如，虽然新闻链接开始其故事<div class="postBody">并且每个段落都在<p>s 中，但链接的小说链接开始<div class="chapter_content" id="chapter_container">并且每个段落都以<br /><div style='float:left; height:1.0em; width:3.0em;'></div>但不在其自己的容器中。
由于 Safari 支持这个“阅读器”界面，显然有办法做到这一点，所以我不会问它是否存在。相反，我想知道这一点：无论页面本身是如何构造的，什么是一种好的、快速的、Java 支持的算法，用于提取网页上故事的标题和正文？
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，并且正在使用该setPage(URL page)方法显示目标页面，但这可以改变我需要的。