从纯文本中提取结构化数据

Question

在输入上我有一个纯文本（在我的情况下通常是HTML）和一个“语法规范”（某种方式用于从纯文本提取数据到结构化数据），然后在输出上我需要有一些结构化数据（JSON很好，但也许存在更好的东西？）

这个任务有没有库？指定“语法规范”有哪些好方法？ 解决此类问题的最佳方法是什么？

Answer 1

基于语法转换的一些工具：

• TXL http://www.txl.ca/
• Stratego / XT http://strategoxt.org/
• ASF + SDF http://www.meta-environment.org/

增加：

• FPP（http://jffp.sourceforge.net/）是Java中的平面文件解析库，非常有用
• 如果输入文件只是HTML，jsoup（http://jsoup.org/）是一个Java HTML解析器
• http://htmlparser.sourceforge.net/或http://mozillaparser.sourceforge.net/或http://jericho.htmlparser.net/docs/index.html
也是如此

Answer 2

查看jsoup的HTML解析和gson的Java-to-JSON。

Answer 3

要解析HTML，你需要一个有点宽松的DOM解析器，这取决于使用你的语法规范解析它的html代码的质量，然后你需要提供一个你想要的数据结构类型图书馆为你做那些事情

Answer 4

查看jilapi

这会接收非结构化的纯文本，并提供结构化的JSON。

Answer 5

如果纯文本文件的结构格式正确，为什么不使用Java DOM API（或JDOM）与DOCTYPE结合来创建DOM对象？从那里，您可以使用类似google-gson库的内容迭代该Object并轻松将其转换为JSON。