Java 使用内联CSS提取HTML文章文本

我想从已爬网的html网页中提取文本。我正在使用优秀的开源库来实现这一点。然而，使用Boilerpipe，我只能得到原始文本。除了原始文本之外，我还需要捕获包含原始源格式信息的文本，并内联所有css样式信息

---

对于Boilerpipe或任何其他java库，最好是开源的，有什么方法可以做到这一点吗？

首先，我应该说我从未使用过Boilerpipe。。。甚至直到现在才听说过

但是看看这个网站和javadocs，我想说你不能用它来提取带有样式的文本。基本的概念问题是如何表现这种风格。例如，该接口有4个

getText

方法，每个方法都以字符串形式返回提取的文本。如何在字符串中表示样式？你必须嵌入某种标记，但是

• 什么样的标记，以及
• 您如何将其与接口的描述相协调，即方法返回“文本”。。。不是“带标记的文本”

---

因此，我的评估是，使用Boilerpipe提取带有样式的文本是完全不可能的。因此，请使用您已经确定的其他备选方案。

我应该首先说，我从未使用过锅炉管。。。甚至直到现在才听说过

但是看看这个网站和javadocs，我想说你不能用它来提取带有样式的文本。基本的概念问题是如何表现这种风格。例如，该接口有4个

getText

方法，每个方法都以字符串形式返回提取的文本。如何在字符串中表示样式？你必须嵌入某种标记，但是

• 什么样的标记，以及
• 您如何将其与接口的描述相协调，即方法返回“文本”。。。不是“带标记的文本”

---

因此，我的评估是，使用Boilerpipe提取带有样式的文本是完全不可能的。因此，请使用您已经确定的其他备选方案。

降级原因？当然，我在谷歌上搜索过信息。遇到jericho html解析器，它似乎能够内联所有CSS。然而，我还是想坚持做样板戏。即使是关于如何开发具有此功能的新提取器的指针也会有所帮助。：）降级原因？当然，我在谷歌上搜索过信息。遇到jericho html解析器，它似乎能够内联所有CSS。然而，我还是想坚持做样板戏。即使是关于如何开发具有此功能的新提取器的指针也会有所帮助。：）