问题标签 [html-content-extraction]

我有一张桌子，我正在通过这样做来检索每个表格行：

这让我得到了这样的当前行：

我接下来要完成的是删除 td 并获取介于两者之间的值并将它们放入数组中，但我无法做到这一点。有任何想法吗？

Java 网络爬虫的最佳库是什么？我知道以下选择：

1. 硒
2. HTML单元
3. 路宝浏览器

我需要选择一个选项来为一个可扩展的项目构建刮板。

我有这个代码

我怎样才能将信息提取到一个数组中，所以我有这样的东西..

注意：一次页面上可能有 3 个以上的项目，或者可能只有 1 个

我的要求是动态地从网页中提取所有链接（使用“a href”）。 我正在使用JSP。更具体地说，我正在 JSP 中构建一个元搜索引擎。因此，当用户输入查询项时，我必须从 yahoo、ask、google、momma 等的搜索结果页面中提取链接。为了获取字符串格式的页面，我现在使用的代码是。

现在，我的要求是：您能建议一些从 String webPage 中提取链接的方法吗？还是有其他方法可以提取这些链接？我宁愿在不使用任何外部软件包的情况下这样做。

我想使用 PHP 从一个大型 HTML 页面中提取超过 100 个单词的文本块。文本是否包含在其中<p>...</p>并不重要。我只关心构成连贯文本块的单词数量，因此也应考虑 HTML 段落之外的文本。

如何才能做到这一点？

您好，我在维基百科中有一个个性页面，我想用 java 源代码从主要部分提取代码 HTML。

你有什么想法？

我正在通过创建一个小程序来学习 C#，但找不到类似的帖子（如果这个答案发布在其他地方，我深表歉意）。

我如何从屏幕抓取网站以获取 PDF 链接（然后我可以将其下载到指定位置）？有时一个页面会有一个链接到另一个具有实际 PDF 链接的 HTML 页面，所以如果在第一页上找不到实际的 PDF，我希望它自动查找在“PDF”中包含“PDF”的链接链接的文本，然后在生成的 HTML 页面中搜索真正的 PDF 链接。

我知道我可能可以通过谷歌搜索文件类型来实现类似的东西，但这对我来说似乎是“作弊”:) 我宁愿学习如何在代码中做到这一点，但我不知道从哪里开始。我对使用 XElement 等进行 XML 解析有点熟悉，但我不确定如何从 HTML 页面（或其他格式？）获取链接。

谁能指出我正确的方向？谢谢！

给定以下 HTML：

我想获取<span>元素内的值。我还想获取元素class属性的值。<span>

理想情况下，我可以通过一个函数运行一些 HTML，然后取回一个提取实体的字典（基于<span>上面定义的解析）。

上面的代码是一个较大的 HTML 源文件的片段，它无法与 XML 解析器相匹配。所以我正在寻找一个可能的正则表达式来帮助提取感兴趣的信息。

我花了几个小时搜索和尝试，但没有取得多大成功......

我想知道如何从外部网页中提取特定数据，例如：

页面 -www.example.com/A/B/C 在页面内：

classA 和 classB 只出现在那里，我想要数据：Text1 + Text2

如果您能帮我解决这个问题（在 JavaScript 中），我将不胜感激！

我正在做一个需要从网页中提取数据的学校项目。准确地说，我需要一个库或开源程序来从 html/文本数据中提取人类可读的内容。诸如网络浏览器之类的东西呈现文本内容。

我知道用正则表达式解析 html 是从中提取文本的最差方法。

额外信息：

我需要它来计算文本文档之间的相似性。

任何帮助，将不胜感激。谢谢