使用内联CSS提取HTML文章文本

Question

我想从抓取的HTML网页中提取文字。我正在使用优秀的开源Boilerpipe库来做到这一点。但是，使用Boilerpipe，我只得到原始文本。除了原始文本之外，我还需要使用原始源格式信息捕获文本，并且内联所有css样式信息。

有没有办法用Boilerpipe或任何其他java库，最好是开源？

Answer 1

我应该首先说我从未使用过Boilerpipe ......或者直到现在才听说过它。

但是看看网站和javadocs，我会说你不能用它来提取带有样式的文本。基本的概念问题是如何表示样式。例如，BoilerpipeExtractor接口有4个getText方法，每个方法都将提取的文本作为String返回。你会如何在String中表示样式？你必须嵌入某种标记，但是......

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

所以，我的评估是使用Boilerpipe来提取带样式的文本是一个完全不起作用的。因此，请使用您已经确定的其他替代方案。