Android：摘录文章主要内容

目前，我正在创建一个Android应用程序，它允许从网站中提取主要内容和图片。现在我使用

Jsoup

API从HTML中提取所有

p

标记。然而，这并不是一个好的解决办法。有什么建议或更好的解决方案可以让我从Android网站中提取主要内容和图片吗？

为什么你认为使用Jsoup不是一个好的解决方案

我已经为不同的网页编写了许多web scraper，根据我的经验，Jsoup是完成这项任务的方法。你应该学习它的强大功能，使用正确的选择器，你可以很容易地从HTML文档中提取大部分信息。通常，当文档没有

id

、

class

属性或其他独特功能时，提取信息变得更加困难

---

您可能感兴趣的其他HTML解析器是和

为什么您认为使用Jsoup不是一个好的解决方案

我已经为不同的网页编写了许多web scraper，根据我的经验，Jsoup是完成这项任务的方法。你应该学习它的强大功能，使用正确的选择器，你可以很容易地从HTML文档中提取大部分信息。通常，当文档没有

id

、

class

属性或其他独特功能时，提取信息变得更加困难

---

您可能感兴趣的其他HTML解析器是和

我没有找到任何适合我的，因此我发布了适用于Android的Goose，如下所示：

下面是一些描述

文件清理

当您将URL传递给Goose时，它首先要做的就是清理 修改文档以使其更易于解析。它将通过 完整文档并删除评论，共享社交网络 元素，将em和其他标记转换为纯文本节点，尝试 将用作文本节点的div转换为段落，以及执行常规 文档清理（空格、新行、引号、编码等）

内容/图像提取

当处理随机文章链接时，你一定会遇到 最疯狂的HTML文件。有些网站甚至喜欢包含2个或更多的HTML 每个站点的文件数。Goose使用一个基于数据聚类的评分系统 在代码中可以找到英语停止词和其他因素。 Goose也会在节点向下移动时进行下降计分，即 他们的分数越低，他们的成绩就越差。目标是找到最强的分组 父容器中的文本节点数，并假定这是相关的 一组内容，只要它在页面上足够高

图像提取是耗时最长的一种。试图找到 页面上最重要的图像被证明是具有挑战性和必需的 下载所有图像以使用外部 工具（并非所有图像都考虑在内，而是mime类型， 维度、字节大小、压缩质量等）。Java的形象 功能太不可靠和不准确了。在Android上，Goose 使用BitmapFactory类，它经过良好的文档记录、测试，并且 快速准确。图像从显示的顶部节点进行分析 在中查找内容，然后进行递归运行，向外尝试 找到好的图片-Goose还会检查这些图片是否是广告、横幅 或作者徽标，如果是，则忽略它们

输出格式设置

一旦Goose有了我们认为内容所在的顶部节点，Goose就会 尝试为输出格式化该节点的内容。例如 对于NLP类型的应用程序，Goose的输出格式化程序只会吸取所有 文本并忽略所有其他内容，其他（自定义）提取器可以 设计旨在提供更具Flipboard风格的体验

---

我没有找到任何适合我的东西，所以我发布了适用于Android的Goose，如下所示：

下面是一些描述

文件清理

当您将URL传递给Goose时，它首先要做的就是清理 修改文档以使其更易于解析。它将通过 完整文档并删除评论，共享社交网络 元素，将em和其他标记转换为纯文本节点，尝试 将用作文本节点的div转换为段落，以及执行常规 文档清理（空格、新行、引号、编码等）

内容/图像提取

当处理随机文章链接时，你一定会遇到 最疯狂的HTML文件。有些网站甚至喜欢包含2个或更多的HTML 每个站点的文件数。Goose使用一个基于数据聚类的评分系统 在代码中可以找到英语停止词和其他因素。 Goose也会在节点向下移动时进行下降计分，即 他们的分数越低，他们的成绩就越差。目标是找到最强的分组 父容器中的文本节点数，并假定这是相关的 一组内容，只要它在页面上足够高

图像提取是耗时最长的一种。试图找到 页面上最重要的图像被证明是具有挑战性和必需的 下载所有图像以使用外部 工具（并非所有图像都考虑在内，而是mime类型， 维度、字节大小、压缩质量等）。Java的形象 功能太不可靠和不准确了。在Android上，Goose 使用BitmapFactory类，它经过良好的文档记录、测试，并且 快速准确。图像从显示的顶部节点进行分析 在中查找内容，然后进行递归运行，向外尝试 找到好的图片-Goose还会检查这些图片是否是广告、横幅 或作者徽标，如果是，则忽略它们

输出格式设置

一旦Goose有了我们认为内容所在的顶部节点，Goose就会 尝试为输出格式化该节点的内容。例如