w3schools - Extracción de texto desde HTML Java

web scrap java

Question

Estoy trabajando en un programa que descarga páginas HTML y luego selecciona parte de la información y la escribe en otro archivo.

Quiero extraer la información que se encuentra entre las etiquetas de los párrafos, pero solo puedo obtener una línea del párrafo. Mi código es el siguiente;

FileReader fileReader = new FileReader(file);
BufferedReader buffRd = new BufferedReader(fileReader);
BufferedWriter out = new BufferedWriter(new FileWriter(newFile.txt));
String s;

while ((s = br.readLine()) !=null) {
    if(s.contains("<p>")) {
        try {
            out.write(s);
        } catch (IOException e) {
        }
    }
}

estaba intentando agregar otro bucle while, que le diría al programa que siga escribiendo en el archivo hasta que la línea contenga la etiqueta </p> , diciendo;

while ((s = br.readLine()) !=null) {
    if(s.contains("<p>")) {
        while(!s.contains("</p>") {
            try {
                out.write(s);
            } catch (IOException e) {
            }
        }
    }
}

Pero esto no funciona. ¿Podría alguien ayudar, por favor?

Answer 1

jsoup

Otro analizador html que realmente me gustó usar fue jsoup . Podrías obtener todos los elementos <p> en 2 líneas de código.

Document doc = Jsoup.connect("http://en.wikipedia.org/").get();
Elements ps = doc.select("p");

Luego escríbelo en un archivo en una línea más

out.write(ps.text());  //it will append all of the p elements together in one long string

o si los quiere en líneas separadas, puede iterar a través de los elementos y escribirlos por separado.

Answer 2

He tenido éxito utilizando TagSoup y XPath para analizar HTML.

http://home.ccil.org/~cowan/XML/tagsoup/

Answer 3

Intente (si no desea utilizar una biblioteca de analizador de HTML):

        FileReader fileReader = new FileReader(file);
        BufferedReader buffRd = new BufferedReader(fileReader);
        BufferedWriter out = new BufferedWriter(new FileWriter(newFile.txt));
        String s;
        int writeTo = 0;
        while ((s = br.readLine()) !=null) 
        {
                if(s.contains("<p>"))
                {
                        writeTo = 1;

                        try 
                        {
                            out.write(s);
                    } 
                        catch (IOException e) 
                        {

                    }
                }
                if(s.contains("</p>"))
                {
                        writeTo = 0;

                        try 
                        {
                            out.write(s);
                    } 
                        catch (IOException e) 
                        {

                    }
                }
                else if(writeTo==1)
                {
                        try 
                        {
                            out.write(s);
                    } 
                        catch (IOException e) 
                        {

                    }
                }
}

Answer 4

Prueba esto.

 public static void main( String[] args )
{
    String url = "http://en.wikipedia.org/wiki/Big_data";

    Document document;
    try {
        document = Jsoup.connect(url).get();
        Elements paragraphs = document.select("p");

        Element firstParagraph = paragraphs.first();
        Element lastParagraph = paragraphs.last();
        Element p;
        int i=1;
        p=firstParagraph;
        System.out.println("*  " +p.text());
        while (p!=lastParagraph){
            p=paragraphs.get(i);
            System.out.println("*  " +p.text());
            i++;
        } 
} catch (IOException e) {
    // TODO Auto-generated catch block
    e.printStackTrace();
}
}

Answer 5

Puede que solo esté utilizando la herramienta incorrecta para el trabajo:

perl -ne "print if m|<p>| .. m|</p>|" infile.txt >outfile.txt

Answer 6

Utilice un ParserCallback. Es una clase simple que se incluye con el JDK. Le notifica cada vez que se encuentra una nueva etiqueta y luego puede extraer el texto de la etiqueta. Ejemplo simple:

import java.io.*;
import java.net.*;
import javax.swing.text.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class ParserCallbackTest extends HTMLEditorKit.ParserCallback
{
    private int tabLevel = 1;
    private int line = 1;

    public void handleComment(char[] data, int pos)
    {
        displayData(new String(data));
    }

    public void handleEndOfLineString(String eol)
    {
        System.out.println( line++ );
    }

    public void handleEndTag(HTML.Tag tag, int pos)
    {
        tabLevel--;
        displayData("/" + tag);
    }

    public void handleError(String errorMsg, int pos)
    {
        displayData(pos + ":" + errorMsg);
    }

    public void handleMutableTag(HTML.Tag tag, MutableAttributeSet a, int pos)
    {
        displayData("mutable:" + tag + ": " + pos + ": " + a);
    }

    public void handleSimpleTag(HTML.Tag tag, MutableAttributeSet a, int pos)
    {
        displayData( tag + "::" + a );
//      tabLevel++;
    }

    public void handleStartTag(HTML.Tag tag, MutableAttributeSet a, int pos)
    {
        displayData( tag + ":" + a );
        tabLevel++;
    }

    public void handleText(char[] data, int pos)
    {
        displayData( new String(data) );
    }

    private void displayData(String text)
    {
        for (int i = 0; i < tabLevel; i++)
            System.out.print("/t");

        System.out.println(text);
    }

    public static void main(String[] args)
    throws IOException
    {
        ParserCallbackTest parser = new ParserCallbackTest();

        // args[0] is the file to parse

        Reader reader = new FileReader(args[0]);
//      URLConnection conn = new URL(args[0]).openConnection();
//      Reader reader = new InputStreamReader(conn.getInputStream());

        try
        {
            new ParserDelegator().parse(reader, parser, true);
        }
        catch (IOException e)
        {
            System.out.println(e);
        }
    }
}

Así que todo lo que necesita hacer es establecer una bandera booleana cuando se encuentra la etiqueta de párrafo. Luego, en el método handleText () extraes el texto.

Answer 7

jericho es uno de los varios posibles analizadores html que podrían hacer esta tarea fácil y segura.

Answer 8

JTidy puede representar un documento HTML (incluso uno con formato incorrecto) como un modelo de documento, haciendo que el proceso de extracción de los contenidos de una etiqueta <p> un proceso bastante más elegante que el procesamiento manual a través del texto sin formato.