使用内联 CSS 提取 HTML 文章文本

Question

我想从抓取的 html 网页中提取文本。我正在使用优秀的开源 Boilerpipe 库来做到这一点。但是，使用 Boilerpipe 我只能得到原始文本。除了原始文本之外，我还需要捕获包含原始源格式信息的文本，并内联所有 css 样式信息。

有没有办法使用 Boilerpipe 或任何其他 java 库来做到这一点，最好是开源的？

Answer 1

首先我应该说我从未使用过 Boilerpipe ... 甚至直到现在才听说过。

但是查看网站和 javadocs，我会说您不能使用它来提取带有样式的文本。基本的概念问题是该样式将/可以如何表示。例如，BoilerpipeExtractor 接口有 4 个getText 方法，每个方法都将提取的文本作为字符串返回。您将如何表示字符串中的样式？您必须嵌入某种标记，但是...

• 什么样的标记，以及
• 您如何将其与接口的描述相协调，接口的描述表明方法返回“文本”...而不是“带标记的文本”。

因此，我的评估是，使用 Boilerpipe 提取带有样式的文本是完全不可能的。因此，请选择您已经确定的其他替代方案。