VPF::Проблема с Java RegExp - Форум программистов

xp-ViT

Дата 31.1.2009, 22:54 (ссылка)

(нет голосов)

Загрузка ...

Новичок

Профиль
Группа: Участник
Сообщений: 33
Регистрация: 24.12.2006

Репутация: нет
Всего: нет

пишу дипломную работку и надо парсить осмысленный текст со страниц HTML (Чтобы не попадали ни теги ни JS ни Стили). Нашёл на PHP решение вроде как моей задачи. но не могу понять как его сконвертить в Java. Помогите плиз.

Код


               $w="[^<>\{\}=\/\!\?\.%\+:\[\]\\\]";
    
        $sw="[^<>\{\}=\/\!\?\.%\+;:\[\]\\\ ]";
        
        if ($lang=="ru"){
            preg_match_all("/( [À-ß]{1}".$w."{50,500}".$w.$sw."{3,}[\.|\?|\!]{1})[ |\n]/sm", $f, $mas);
        } else {
            preg_match_all("/( [A-Z]{1}".$w."{50,500}".$w.$sw."{3,}[\.|\?|\!]{1})[ |\n]/sm", $f, $mas);
        }

Зараннее откликнувшимся благодарен и плюсик. Спасибо

bvfalcon

Дата 31.1.2009, 23:51 (ссылка)

(нет голосов)

Загрузка ...

Новичок

Профиль
Группа: Участник
Сообщений: 21
Регистрация: 4.8.2008

Репутация: -1
Всего: 0

От тегов поможет избавиться паттерн </?(\w+)(\s*\w*\s*=\s*("[^"]*"|'[^']'|[^>]*))*/?>.
С CSS и JavaScript: убирайте содержимое элементов <style> и <script> соответственно.
Ваш пример на PHP, скорее всего, не сработает. Кусок "{50,500}" кажется высосанным из пальца.

xp-ViT

Дата 1.2.2009, 02:26 (ссылка)

(нет голосов)

Загрузка ...

Новичок

Профиль
Группа: Участник
Сообщений: 33
Регистрация: 24.12.2006

Репутация: нет
Всего: нет

от тегов и чуть Проще можно вроде бы избавиться. А вот именно смысловой текст. Под ним я понимаю хотябы 5 подряд идущих слов. Причём от всех тегов избавляться нельзя (нужно только от тех которые могут быть среди текста). ибо тогда я получу чисто набор слов, а не то что было изначально смысловой нагрузкой страницы. Я считаю что это 5 и более подряд идущих слов. Я в тупике...

Это сообщение отредактировал(а) xp-ViT - 1.2.2009, 02:53

eskrylov

Дата 1.2.2009, 14:53 (ссылка)

(голосов:1)

Загрузка ...

Новичок

Профиль
Группа: Участник
Сообщений: 2
Регистрация: 29.1.2009

Репутация: нет
Всего: нет

Прочитать содержание HTML-страницы, исключив теги

1 Пользователей читают эту тему (1 Гостей и 0 Скрытых Пользователей)
0 Пользователей:
« Предыдущая тема \| Java: Общие вопросы \| Следующая тема »