【发布时间】：2012-06-25 19:03:46
【问题描述】：
我受到 Safari 阅读器功能的启发，该功能可让您忽略网页上除故事之外的所有内容（构成页面要点的所有文本、链接和图像，但不包括标记、前因、或后果）。我想制作一个 基于 Java 的版本作为轻量级“浏览器”。
我的问题在这里：我不知道如何辨别主要内容。在检查了诸如MSN articles 和fan fictions 这样的Reader 识别页面后，我意识到Reader 识别的实际文本不仅很难找到，而且不一致并且被看似随机的标签打断。例如，新闻链接以<div class="postBody"> 开头，每个段落都在<p>s 中，而链接的小说以<div class="chapter_content" id="chapter_container"> 开头，每个段落都以<br /><div style='float:left; height:1.0em; width:3.0em;'></div> 开头，但不在其自己的容器中。
由于 Safari 支持这个“阅读器”界面，显然有办法做到这一点，所以我不会问它是否存在。相反，我想知道这一点：什么是一种好的、快速、Java 支持的算法，用于提取网页上故事的标题和正文，无论页面本身如何，构造好了吗？
对于上下文，我已经创建了一个以 JEditorPane 作为窗口的基本浏览器，其 EditorKit 设置为 HTMLEditorKit，并且正在使用 setPage(URL page) 方法来显示目标页面，但这可以改变我需要.
【问题讨论】：
标签： java html webpage interpreter