从 HTML 中提取文章的标题（使用 Boilerpipe）

Question

Boilerpipe 允许从网页中仅提取文章的文本，清理所有 HTML 混乱。但是，我怎样才能提取文章的标题？有一种方法可以只使用页面的标题，但它有时不正确并且包含不需要的字词（例如“标题 - 站点名称”）。

另一个想法是在<h1> 和</h1> 之间查找文本，但我仍然认为我会提出更多解决方案。

Answer 1

您正在编写网络爬虫吗？我认为困难在于您需要知道标题在整个 html 中的位置。 对于大多数网站来说，它们都有一个独特的 html 编写模式，应该在编写爬虫之前就知道。