Jericho-html：是否可以参考源文件中的位置提取文本？

【问题标题】：Jericho-html: is it possible to extract text with reference to positions in source file?Jericho-html：是否可以参考源文件中的位置提取文本？
【发布时间】：2011-04-07 10:09:47
【问题描述】：

我使用Jericho HTML Parser 3.1。

我需要从html中提取文本，处理它，根据这个，我需要在原始html中插入标签。

但为此我需要在提取的文本和源 html 之间进行匹配。

net.htmlparser.jericho.TextExtractor 提取文本很好，但我无法找到如何在原始文件中找到位置。

Jericho-html 可以做到吗？

【问题讨论】：

标签： java html parsing jericho-html-parser

【解决方案1】：

您不能按原样使用 TextExtractor 执行此操作，但我过去需要做类似的事情，最简单的解决方案是复制 Jericho 的 TextExtractor 实现并对其进行编辑以添加您自己的自定义行为。这是一个非常简单的类，因此您可以轻松查看在哪里添加自己的钩子。

【讨论】：

谢谢，会试试的！你知道其他允许这样做的库吗？
还有 Jericho 的渲染器，但同样，您必须自己修改它，但文本格式要好得多（包括项目符号、间距、链接等......有点像 Lynx 浏览器的 html 渲染）。至于其他库，不，但如果您只想在适当的位置使用换行符进行简单的文本格式设置，您可以使用 dom 解析器自己编写一个基本实现 - 尽管修改 TextExtractor/Renderer 以执行您想要的操作会更快，而且您获得利用 Jericho 处理格式错误的 HTML 的额外好处。