问题标签 [html-content-extraction]

是否有任何可靠的方法来找出指向我们详细新闻页面的链接集合。换句话说，在访问网站的第一页后，我只想要那些引用新闻项目的链接。任何解决方案？

我想知道facebook如何从链接中提取文章的正确图片？他们会忽略任何图标、广告图片或其他不相关的图片，并为您提供正确的图片？

他们使用什么技术/方法？因为我尝试使用 php 正则表达式提取所有图像，但是如何找到正确的图像？

谢谢

我知道，我知道...正则表达式不是提取 HTML 文本的最佳方式。但是我需要从很多页面中提取文章文本，我可以将每个网站的正则表达式存储在数据库中。我不确定 XML 解析器如何与多个网站一起工作。您需要为每个网站提供单独的功能。

无论如何，我对正则表达式了解不多，所以请耐心等待。

我有一个类似于此格式的 HTML 页面

我需要提取 body 类容器的内容。

我试过这个。

我究竟做错了什么？我的文字最终出现在另一座城堡中。

*编辑：哦……没关系，我找到了可读性的代码

我正在寻找一个包/模块/函数等，它大约是 Arc90 的 readability.js 的 Python 等价物

http://lab.arc90.com/experiments/readability

http://lab.arc90.com/experiments/readability/js/readability.js

这样我就可以给它一些 input.html 并且结果是该 html 页面的“主要文本”的清理版本。我想要这个，以便我可以在服务器端使用它（与仅在浏览器端运行的 JS 版本不同）。

有任何想法吗？

PS：我已经尝试过 Rhino + env.js 并且该组合有效，但性能无法接受，清理大部分 html 内容需要几分钟时间 :( （仍然找不到为什么会有如此大的性能差异）。

我有一些 HTML，我需要从页面中提取实际的书面文本。

到目前为止，我已经尝试使用 Web 浏览器并呈现页面，然后转到文档属性并获取文本。这有效，但仅在支持浏览器的情况下（IE com 对象）。问题是我希望它也能够在 wine 下运行，所以我需要一个不使用 IE COM 的解决方案。

必须有一种合理的编程方式来做到这一点。

我目前正在从HTML. 我想提取两个<p class="xfHeading">标签之间的文本。

输出应该是：

asdfghjk

sdsdsd

asdvcvcfghjk

一种方法是：

或者

但是，由于两者之间的内容一直在变化，我需要一个解决方案，其中<p class="xfHeading">提取两个标签之间的内容。

如何使用 DOM 解析器提取变量中 html 元素的内容。

更准确地说：我有一个表单，用户在文本区域中输入 html。我想提取第一段的内容。

我知道有很多关于这方面的教程，但找不到任何关于从变量而不是文件（页面）中提取的内容

谢谢

我需要从站点上具有多个图像的站点加载特定网页。我需要提取这些图像，但我无法手动执行此操作，因为每个图像的名称都没有模式，并且会有数百个站点。我有一个 Silverlight 应用程序来在 iframe 中加载网页，我打算提取该网页的 html，然后从提取的代码中检索每个图像的图像源，然后填充一个列表框。

我可以毫无问题地在 iframe 中加载网页，但我不知道如何检索网页的 html 代码。

我想做以下事情：从多个站点获取新闻，使用 jQuery 选择器解析它们的内容并在一页上显示它们。

jQuery怎么能做到这一点？

谢谢。