介绍了一种使用Heritrix抓取网页后通过转换HTML至XML或XHTML，并利用XSLT进行信息抽取的方法，该方法简化了代码并提高了维护效率。
heritrix抓取下来的东西，其实就和下载器下载下来一样。
我们必须用自己的方法去抽取出一些有用的信息
恩，以前一直用htmlparser提取，虽然简便易用。可是维护起来是一个大麻烦而且编写程序的成本很高！等等！！！
现在做这个采用了新的思路， html——>XML or XHTML(整个HTML转为XML) --> XSLT提取——>最终XML(需要的最终数据的XML)
这个要做的就是转换，工具很多目前我用的是 jtidy，可以很方便简洁的把HTML转为XHTML或者XML，然后在学习一下XSLT来配置模板提取。
这样一来，代码简洁维护起来简便。如果开发一个界面XML提取的小工具。我想模板配置对一个没有经验来说的编辑都是一件容易的事情
我们必须用自己的方法去抽取出一些有用的信息
恩，以前一直用htmlparser提取，虽然简便易用。可是维护起来是一个大麻烦而且编写程序的成本很高！等等！！！
现在做这个采用了新的思路， html——>XML or XHTML(整个HTML转为XML) --> XSLT提取——>最终XML(需要的最终数据的XML)
这个要做的就是转换，工具很多目前我用的是 jtidy，可以很方便简洁的把HTML转为XHTML或者XML，然后在学习一下XSLT来配置模板提取。
这样一来，代码简洁维护起来简便。如果开发一个界面XML提取的小工具。我想模板配置对一个没有经验来说的编辑都是一件容易的事情
扫一扫
409
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
