获取以 nutch 格式格式化的页面内容答案

【问题标题】：get the content of the page formated as it is in nutch获取以 nutch 格式格式化的页面内容
【发布时间】：2012-01-30 06:15:28
【问题描述】：

简而言之，我正在寻找一种方法来按原样格式化页面内容（包括行、新行和段落）。

接下来的代码没有帮助，因为它删除了页面的所有格式。

Parse parse = parseResult.get(content.getUrl());    
parse.getText()

甚至

BufferedReader br = new BufferedReader(new InputStreamReader(new   
ByteArrayInputStream(content.getContent())));
while (br.readLine() != null) 
LOG.info("After br: " +br.readLine());

不是解决方案，因为它返回格式化但带有 html 标签的内容。

我真的希望它采用原始格式，以便能够将其发送到提取所需内容的方法。

谢谢

【问题讨论】：

标签： http parsing tomcat solr nutch

【解决方案1】：

没有直接的方法可以做到这一点。

根据您的需要研究和修改src\java\org\apache\nutch\segment\ContentAsTextInputFormat.java。

【讨论】：