模板抽取思路

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。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值