Question

我正在编写一些Java代码，以便使用Wikipedia在文本上实现NLP任务。如何使用JSoup提取维基百科文章的第一段？

非常感谢。

Answer 1

这非常简单，每个半结构化页面的过程都非常相似。

首先，您必须唯一标识所需信息所在的 DOM元素。最简单的方法是使用Web开发工具，例如Firefox中的Firebug或者与IE捆绑在一起的（我认为> 6）和Chrome。

使用文章 Potato 作为示例，您会发现您感兴趣的<p> aragraph位于以下块中：

<div class="mw-content-ltr" lang="en" dir="ltr">
  <div class="metadata topicon" id="protected-icon" style="display: none; right: 55px;">[...]</div>
  <div class="dablink">[...]</div>
  <div class="dablink">[...]</div>
  <div>[...]</div>
  <p>The potato [...]</p>
  <p>[...]</p>
  <p>[...]</p>

换句话说，您希望找到<p>内的第一个div元素，其中class名为mw-content-ltr。

然后，您只需要使用jsoup选择该元素，例如使用其选择器语法（这与jQuery非常相似）：

public class WikipediaParser {
  private final String baseUrl; 

  public WikipediaParser(String lang) {
    this.baseUrl = String.format("http://%s.wikipedia.org/wiki/", lang);
  }

  public String fetchFirstParagraph(String article) throws IOException {
    String url = baseUrl + article;
    Document doc = Jsoup.connect(url).get();
    Elements paragraphs = doc.select(".mw-content-ltr p");

    Element firstParagraph = paragraphs.first();
    return firstParagraph.text();
  }

  public static void main(String[] args) throws IOException {
    WikipediaParser parser = new WikipediaParser("en");
    String firstParagraph = parser.fetchFirstParagraph("Potato");
    System.out.println(firstParagraph); // prints "The potato is a starchy [...]."
  }
}

Answer 2

看起来第一段也是文档中的第一个<p>块。所以这可能有用：

Document doc = Jsoup.connect("http://en.wikipedia.org/wiki/B-tree").get();
Elements paragraphs = doc.select("p");
Element firstParagraph = paragraphs.first();

现在您可以获取此元素的内容

Answer 3

席尔瓦提出的解决方案适用于大多数情况，例如“JavaScript”和“United States”。段落应选择为doc.select（“。mw-body-content p”）;

检查this GitHub 代码以获取更多详细信息。您还可以从HTML中删除一些元数据信息以提高准确性。

维基百科第一段

3 个答案: