从博客文章中检测和提取文章内容/评论的最佳方法是什么

Question

我有博文（sample 1，sample 2）。解析HTML并检测作者，标题，日期，文章内容，评论（单独）的最佳方法是什么。应跳过其他所有内容。

Answer 1

假设您的博客站点有RSS源，您可以使用Java的SAX Parser来浏览XML

http://download.oracle.com/javase/1.4.2/docs/api/javax/xml/parsers/SAXParser.html

以下是使用SAX Parser解析RSS的示例

http://javabeanz.wordpress.com/2007/07/25/rss-parser-sax/

Answer 2

您可能无法获得所需的一切，但我认为Boilerpipe值得关注。