一个随机的，我想要玩一些NLP的东西，我想：
从HTML 获取将在浏览器中向用户显示的所有文字。
我理想的输出中不会有任何标签，并且只会使用fullstops（以及任何其他标点符号）和新行字符，但我可以容忍相当合理的失败量（输出结束的随机其他内容） ）。
如果有可能在内容可能不会继续的情况下插入换行符或句号，那么这将被视为额外奖励。 e.g：
ul或option标签中的项目可以用句号分隔（或者说诚实，只是忽略）。
我正在使用Java，但有兴趣看到任何执行此操作的代码。
我可以（并且如果需要的话）提出要做的事情，只是想知道是否有这样的东西已经存在，因为它可能比我在下午提出的更好;-)。
如果我最终执行此操作，我可能会编写的代码示例是使用SAX解析器查找p标记中的内容，删除任何span或强等标记，并在我点击时添加句号一个div或另一个p没有一个完整的停止。
非常欢迎任何指示或建议。
答案 0 :(得分：2)
嗯...几乎任何HTML解析器都可以用来创建你想要的效果 - 只需运行所有标签并只发出文本元素，并为每个块元素的结束标记发出一个LF。正如你所说，SAX实现简单而直接。
答案 1 :(得分：0)
我会把所有的东西都剥掉了＆lt;＆gt;标签，如果你想在每个句子的末尾都有一个句号，你可以检查结束标签并完全停止。
如果你有
<strong> test </strong>
（和其他可以改变测试外观的标签）你可以放置条件，不要在这里停下来。
答案 2 :(得分：0)
HTML解析器似乎是一个合理的起点。
其中有很多例如：HTMLCleaner和Nekohtml似乎工作正常。
他们很好，因为他们修复了标签，以便您可以更加一致地处理它们，即使您只是删除它们。
但事实证明你可能想要摆脱脚本标签元数据等。在这种情况下，你最好使用格式良好的XML，这些人可以从“狂野”的HTML中获取。
有很多与此相关的SO问题（例如this）你应该搜索“HTML解析”; - ）