我受到了Safari的读者功能的启发，它可以让你忽略除了故事之外的网页上的所有内容（构成页面点的所有文本，链接和图像，但没有标记，前提，或结果）。我想将它的基于Java的版本作为轻量级“浏览器”。
我的问题在于：我不知道如何辨别主要内容。在检查了这些Reader识别的页面MSN articles和fan fictions后，我意识到Reader识别的实际文本不仅难以找到，而且与看似随机的标签不一致和分解。例如，当新闻链接以<div class="postBody">开始其故事，而每个段落都在<p> s中时，链接的小说以<div class="chapter_content" id="chapter_container">开头，每个段落都以<br /><div style='float:left; height:1.0em; width:3.0em;'></div>开头，但是不在自己的容器内。
由于Safari支持这个“读者”界面，显然有一种方法可以做到这一点，所以我不会问它是否存在。相反，我想知道这一点：什么是好的，快速的， Java支持的算法，用于在网页上提取故事的标题和正文，无论页面本身如何，构建了吗？
对于上下文，我已经创建了一个带有JEditorPane作为窗口的基本浏览器，其EditorKit设置为HTMLEditorKit，并使用setPage(URL page)方法显示目标页面，但这可能会改变我需要。
答案 0 :(得分：0)
如果您愿意使用某项服务，则应查看Instapaper或Readability API;否则，你可以窥视arc90 lab's JavaScript proof-of-concept implementation的可读性。您还可以在GitHub上找到several ports of Readability到Java和several other languages。