如何从html页面自动创建模板？
我有一个用例，在这个用例中，我需要用Java以编程方式以给定网页的格式呈现一个未格式化的文本。也就是说，文本应该像网页一样自动格式化，包含样式、段落、项目符号等。
正如我首先看到的，我必须分析这段未格式化的文本，以找出段落、项目符号、标题等的候选者。我打算使用Lucene analyze /tokenizer来完成这项任务。还有别的选择吗？
第二个问题是将格式化的网页转换成某种类型的模板(例如速度模板)，其中包含标题、项目符号等各种实体的占位符。
Java中有没有文本分析/模板库可以帮助我做到这一点？最好是开源的。
对于用Java更好地完成这类任务，还有什么其他建议吗？
谢谢你的帮助。
回答 1
Stack Overflow用户
发布于 2011-07-08 18:11:05
在你正在做的事情中有很多困难的部分。
user input
如果你不要求你的用户提供任何上下文，你永远也猜不到文本的结构。至少，您应该要求他们在您的GUI中提供一个标题和一系列段落。
理想情况下，您可以要求他们遵循一种众所周知的标记语言(Markdown、Textile等)。并使用开源解析器来提取结构。
外部页面
如果使用任何页面，您唯一可以依赖的就是“结构化标记”。因此，假设您知道页面的标题应该是"Hello World"，并且页面中的某个地方有一个"h1“元素，那么您可能会认为这就是标题所在的位置。
但是，如果页面是一个div标签汤，并且只使用CSS来区分标题的呈现，而不是文本的大部分，那么您将不得不猜测样式是如何完成的:如果您不知道页面是如何制作的，这显然是不可能的。
我认为Lucene不会对此有所帮助(据我所知，Lucene是用来为大量文本中使用的单词创建索引的；我不认为它可以帮助您猜测文本的哪一部分是标题、副标题等)。
从外部页面生成模板的
假设您“猜对了”，您可以通过以下方式生成内容
choice
- storing
- copy粘贴页面
- 使用模板语言的标记替换要更改的部分模板系统可以访问的位置
- 配置模板/视图系统(viewResolver velocity)以将正确的模板用于rigth person
这当然会带来可怕的法律问题，因为您的模板将包含原始网站作者的作品(最有可能是受版权保护的材料)
更现实的解决方案
我建议你把你的问题限制在：
使用具有一些可用结构信息的输入的
- (使用图形用户界面输入、使用标记语言、您提供的whatever)
- using模板、了解
的结构(并且可以非常容易地重新使用
请注意，这些点都与模板系统无关。
否则，我担心你的工作量是不合理的……
https://stackoverflow.com/questions/6621935
复制相似问题
腾讯云开发者
