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));
最佳答案 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.