[英]How to extract published-time and article-content from a news article using java?
我必须从新闻链接中提取发布时间和文章内容。
例如:从此链接http://techcrunch.com/2013/03/19/jawbone-android/
我必须将发布时间和文章内容提取为
发布时间:昨天发布
文章内容:Jawbone今天宣布,该公司的运动跟踪腕带UP的应用现在可以在Google Play上免费下载为Android。 129美元的UP以前仅与iOS兼容。 腕带现在也可以购买……
我认为您可以使用jsoup
jsoup是一个用于处理实际HTML的Java库。 它提供了使用DOM,CSS和类似jquery的最好方法提取和处理数据的非常方便的API。
对于文章文本提取,您可以使用BoilerPipe
ArticleExtractor extractor = ArticleExtractor.INSTANCE
String articleText = extractor.getText(yourHTML);
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.