Wvtool学习(一):把html文档解码成纯文本文档

weixin_34038652

于 2011-12-23 22:38:49 发布

阅读量145

点赞数

CC 4.0 BY-SA版权

文章标签： java 人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_34038652/article/details/85082794

本文详细介绍了如何使用wvtool库将HTML文档解码为纯文本格式，包括实例代码演示和应用说明。实现了从HTML文档到纯文本的转换，适用于处理结构化或半结构化文档。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

自学文本分类好久都摸不到门路，到网上找wvtool的应用基本上没有我想要的，

只好自己去看wvtool的API结合网上零碎的资料来一步步慢慢往前走了，纠结了这么几天，总算走出了学习的第一步了。其它结合着API，一点点自己写代码，至少现在

感觉没遇到很多的麻烦，可能麻烦的事在后面吧，who cares，来了再说吧! 呵呵 …… 下面是实现的用wvtool来把html文档解码成纯文本格式文档，其实，有了下面的这个例子，像pdf,xml等结构化，或者半结构化的文档都可有类的实现来解码成纯文本的……很简单的！

import java.io.BufferedReader;
import java.io.InputStream;
import java.io.Reader;
import edu.udo.cs.wvtool.generic.inputfilter.SelectingInputFilter;
import edu.udo.cs.wvtool.generic.loader.UniversalLoader;
import edu.udo.cs.wvtool.main.WVTDocumentInfo;
/*
* 这个程序实现把html文档解码成纯文本的形式
* 原html文档：text.html
* 内容：
<html>
<head>
<title>雅虎新闻
</title>
</head>
<body>
这是测试文档。
</body>
</html>
* */
public class Demo01 {
public static String pathString="D:\\工作管理\\weka学习\\wvtool-1.1\\wvtool-1.1\\examples\\data\\";
public static void main(String[] args) throws Exception {
/*
* 1、实例化一个加载器
* */
UniversalLoader loader=new UniversalLoader();
/*
* 2、实例化一个文档信息类
* */
WVTDocumentInfo info=new WVTDocumentInfo(pathString+"text.html", "html", "utf-8", "chinese");
/*
* 3、把文档以输入流的方式加载到内存中
* */
InputStream stream=loader.loadDocument(info);
/*
* 4、实例化一个过滤器
* InputFilter that automatically selects an appropriate filter
* according to the the file ending. The following rules are used.
* HTM, HTML, htm, html -> SimpleTagIgnoringReader
*XML, xml -> XMLInputFilter
*PDF, pdf -> PDFInputFilter
*all other -> TextInputFilter
* */
SelectingInputFilter filter=new SelectingInputFilter();
/*
* 5、把html文档进行解码成纯文本文件
* */
Reader readers=filter.convertToPlainText(stream,info);
/*
* 6、将解码的文档输出
* */
BufferedReader reader=new BufferedReader(readers);
String string=reader.readLine().toString();
//由于解码出来的文档中包含了大量的空格，而且奇怪的是这些
//空格的char值是9(十进制),所以就只能以这样的方式输出了
System.out.println(string.replace(string.valueOf((char)9), ""));
//最后的输出结果为：?雅虎新闻这是测试文档。
}
}

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。