如何在Java中提取网页文本内容？
我正在寻找一种使用jdk或其他库从网页（最初为html）提取文本的方法。请帮忙
谢谢
问题答案：
尽可能使用HTML解析器；Java有很多可用的。
或者您可以像许多人一样使用正则表达式。但是，通常不建议这样做，除非您进行的处理非常简单。
相关问题
- Java HTML解析
- 哪种HTML解析器最好？
- 任何好的Java HTML解析器？
文字提取：
- 从HTML Java提取文本
标签剥离：
- 在Java中剥离HTML标签
- 从Java字符串中删除HTML
-
问题内容： 我正在用Java开发一个应用程序，该应用程序可以从不同的网页获取文本信息并将其汇总为一页。例如，假设我在不同的网页（例如印度教，印度时报，政治家等）上都有新闻。该应用程序应该从这些页面的每个页面中提取要点，并将它们整合为一条新闻。该应用程序基于Web内容挖掘的概念。作为该领域的初学者，我不知道从哪里开始我浏览了一些研究论文，这些论文将消除噪声作为构建此应用程序的第一步。 因此，如果给我
-
我有一个Excel工作表，其中一栏填充了专利号。我需要提取每个相应专利的标题，并将其放在专利号旁边的单元格中。因此，代码应执行以下操作： 访问espacenet.com并打开需要名称的专利号。 获取标题。 将其放在所需单元格的Excel工作表中。 这是一个完美适用于第一个专利号的代码，但在这之后会立即出现错误。错误显示：“运行时错误'-2147417848（80010108）'： 自动化错误调用的
-
问题内容： 更新资料 Boilerpipe看起来确实工作得很好，但是我意识到我并不需要主要内容，因为许多页面上没有文章，而只是带有简短描述的链接到整个文本（这在新闻门户网站中很常见），并且我不想丢弃这些短裤文字。 因此，如果API执行此操作，请获取不同的文本部分/以某种方式将每个部分分开的块，这些块与单个文本不同（仅在一个文本中没有用），请报告。 问题 我从随机站点下载了一些页面，现在我想分析页面
-
问题内容： 在Linux中，如何获取URL并在shell脚本的变量中获取其内容？ 问题答案： 您可以使用命令下载页面并将其读取为变量，如下所示： 我们使用的选项允许我们指定将页面内容转储到的文件的名称。我们指定将转储放入标准输出并将其收集到变量中。您可以添加安静选项以关闭wget输出。 您还可以为此使用curl命令： 我们需要使用该选项，因为我们请求的页面可能已经移动。在这种情况下，我们需要从新位
-
我有一个带有注释元素的xsd，这些元素又包含appinfo元素。我正在使用appinfo元素传递一些有关架构的自定义信息，并且在遍历元素时需要提取appinfo的内容。 xsd中的代码段。 这是我用来从注释中提取应用程序信息的代码。 但我得到一个空值。obj。但是，toString（）返回 如何从appinfo获取内容“EntityReference”？我是否应该编写一个自定义处理程序来解析字符串