【发布时间】：2012-10-21 09:22:35
【问题描述】：
我想解析 XML Wikipedia 转储并从中提取所有不同类型的表（不仅仅是信息框）
我正在使用wikixmlj 来解析转储，但问题是解析维基百科转储中不同类型的表格（拆分单元格表格、合并单元格表格、带有颜色代码的表格）。
我能够解析 XML 文章，直到找到标记为表格的项目，但是在将表格解析为对象时我没有遵循的标准，而且似乎有许多类型的表格有许多排列。
是否有一些关于表类型的文档化标准要遵循，以便我可以在我将要创建的运行时对象中涵盖这些标准，或者有什么方法可以解决这个问题？
注意：
以下是一些示例，可帮助您了解我的意思：
http://en.wikipedia.org/wiki/List_of_Presidents_of_the_United_States 查看 Andrew Jackson 行（某些行合并和拆分）
http://en.wikipedia.org/wiki/List_of_pharaohs
http://en.wikipedia.org/wiki/Open_Handset_Alliance
http://en.wikipedia.org/wiki/Comparison_of_web_server_software 有时标题在顶部和底部
【问题讨论】：
-
这些表格是由不同的人为不同的目的编写的，所以你不能期望那里有太多的一致性。
-
我认为至少制作 xml 转储的人会知道如何将它们放入许多已定义的表类型中。
-
XML 转储包含与原始页面完全相同的文本，这就是转储的重点。制作它们的人不会浏览数百万页来完成您的预期。
标签： java xml-parsing extract wikipedia large-data