| Версия для печати темы
Нажмите сюда для просмотра этой темы в оригинальном формате |
| Форум программистов > Java: Общие вопросы > html |
| Автор: PovAnd 14.1.2008, 18:18 |
| Такая проблема, нужно извлечь из html чистый текст, без всяких коментов, скриптов и тегов. Сейчас использую такой интсрумент как http://jerichohtml.sourceforge.net/doc/index.html. Почти нормально, но не совсем, все таки порой проскакивают лишние коменты со скриптами. В этой связи хотелось бы узнать от разбирающихся следующее: 1. Возможно кто-то знает другую более надежную тулзу для моей задачи. Если не 1, то 2. Может кто-то использовал http://jerichohtml.sourceforge.net/doc/index.html по тому же назначению что и описанно в данной теме и у него все получалось более успешно чем у меня (чистый текст без скриптов и коментов). Тогда прошу пожалуйста поделитесь как вы этого добились. 3. На сколько я понимаю инструмент http://jerichohtml.sourceforge.net/doc/index.html режет все примерно следующим образом: строит по html xml документ, проходится по этому документу и вычитывает весь текст, а тэги и коменты режет. Если это так, то у меня единственное предположение почему некоторые вещи не обрезаются - эти вещи интерпритируются как текст, а это в свою очередь может означать только одно - резка таких частей задача не тривиальная, а следовательно требующая времени. Собственно хочу что бы кто -то в этом пунтке меня либо опроверг, либо подтвердил. |