从纯文本中提取结构化数据[关闭]答案

【问题标题】：Extract structured data from plain text [closed]从纯文本中提取结构化数据[关闭]
【发布时间】：2012-02-03 11:35:52
【问题描述】：

在输入时我有一个纯文本（在我的情况下通常是 HTML）和一个“语法规范”（从纯文本中提取数据到结构化数据的某种方式），然后在输出时我需要一些结构化数据（JSON 很好，但也许还有更好的东西？）

是否有任何用于此任务的库？指定“语法规范”的好方法是什么？解决此类问题的最佳方法是什么？

【问题讨论】：

【解决方案1】：

一些基于语法的转换工具：

加法：

FPP (http://jffp.sourceforge.net/) 是一个有用的 Java 平面文件解析库
如果输入文件仅为 HTML，则 jsoup (http://jsoup.org/) 是 Java HTML 解析器
http://htmlparser.sourceforge.net/ 或 http://mozillaparser.sourceforge.net/ 或 http://jericho.htmlparser.net/docs/index.html 也是如此

【讨论】：

【解决方案2】：

看看jsoup 用于HTML 解析和gson 用于Java 到JSON。

【讨论】：

【解决方案3】：

要解析 HTML，您需要一个 DOM 解析器，它会根据 html 代码的质量使用您的语法规范来解析它，然后您需要提供一种您想要的数据结构类型，并且有图书馆为你做这些事情

【讨论】：

【解决方案4】：

如果纯文本文件的结构格式良好，为什么不使用 Java DOM API（或 JDOM）结合 DOCTYPE 来创建 DOM 对象？从那里，您可以使用 google-gson 库之类的东西遍历该对象并轻松将其转换为 JSON。

【讨论】：

【解决方案5】：

看看jilapi

这会接收非结构化的纯文本并给出结构化的 JSON。

【讨论】：