Извлечь текст статьи HTML со встроенным CSS

Question

Я хочу извлечь текст с обходных веб-страниц html. Я использую превосходную библиотеку с открытым исходным кодом Boilerpipe, чтобы сделать именно это. Однако, с Boilerpipe я получаю только сырой текст. В дополнение к необработанному тексту, мне нужно захватить текст с исходной информацией форматирования исходного кода, указав всю информацию о стиле css.

Есть ли способ сделать это с помощью Boilerpipe или любой другой java-библиотеки, предпочтительно с открытым исходным кодом?

Answer 1

Начну с того, что я никогда не использовал Boilerpipe ... или даже не слышал об этом до сих пор.

Но, глядя на веб-сайт и javadocs, я бы сказал, что вы не можете использовать его для извлечения текста со стилем. Основная концептуальная проблема заключается в том, как этот стиль будет/может быть представлен. Например, интерфейс BoilerpipeExtractor имеет методы 4 getText, и каждый из этих методов возвращает извлеченный текст в виде строки. Как вы представляете стиль в String? Вы должны были бы вставить какую-разметку, но ...

• какие наценки и
• как бы вы это совместить с описанием интерфейса, в котором говорится, что возвращать методы «текст «... не« текст с разметкой ».

Итак, моя оценка заключается в том, что использование Boilerpipe для извлечения текста с помощью стилей является полным без стартера. Поэтому переходите к другим альтернативам, которые вы уже определили.