jsoup-从Wikipedia文章中提取文本
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Wikipedia文章的所有文本（例如，http://en.wikipedia.org/wiki/Boston中的所有文本）？
问题答案：
Document doc = Jsoup.connect("http://en.wikipedia.org/wiki/Boston").get();
Element contentDiv = doc.select("div[id=content]").first();
contentDiv.toString(); // The result
当然，您可以通过这种方式检索格式化的内容。如果您想要“原始”内容，则可以使用Jsoup.clean或使用call
过滤结果contentDiv.text()。
-
问题内容： 如何使用Python从Wikipedia文章中提取第一段？ 例如，对于 Albert Einstein ，那将是： 阿尔伯特·爱因斯坦（发音：/ ˈælbərt ˈaɪnstaɪn /;德语：[ˈalbɐt ˈaɪnʃtaɪn]（听）； 1879年3月14日至1955年4月18日）是一位理论物理学家，哲学家和作家，被广泛认为是最有影响力和标志性的科学家和知识分子之一所有的时间。爱因斯坦
-
我需要从如下节点中提取文本： 我需要建立： 仅返回div的所有内容。-不在子元素内的所有内容。两者都错了。迭代子节点会忽略文本节点。 文本节点-某些文本
-
问题内容： 我尝试使用Python的urllib来获取Wikipedia文章： 但是，我得到的不是HTML页面，而是以下响应：错误-Wikimedia Foundation： 维基百科似乎阻止了不是来自标准浏览器的请求。 有人知道如何解决此问题吗？ 问题答案： 你需要使用的urllib2是superseedes的urllib在蟒蛇STD库，以改变用户代理。 直接从例子
-
问题内容： 这是我的问题。我有一个html内容：innerText我需要提取“ innerText”。在Jsoup中尝试此操作时，我发现当由Jsoup解析时，内部文本超出了定位标记。 这是我的代码 输出： 为什么“ innerText”移到了定位标记之外？ 问题答案： 您可以通过调用元素上的方法来访问文本。 顺便说一句 使用您发布的代码（和JSoup 1.8.1）产生以下输出
-
我需要从大文件中提取文本（最大限制50MB）文件可能是doc、ppt、xls、txt或pdf格式。到目前为止，我使用了ApachePOI'http://poi.apache.org/' 用于Microsoft Office文档和PDFBox从PDF中提取文本。然而，随着文件变大，提取过程变得缓慢，特别是以下文件。到目前为止我取得的成果： 1. PPTX-45MB-3分钟apx 2.PDF-62MB
-
需要从以下来源提取信息： 试过： 得到0个结果。问题只出在跨类上。JSOUP 1.7.2。