从网页中提取内容并使用Java进行比较

Question

我正在开发一个Java项目，其中有一个子模块，我需要在该子模块中从网页中提取内容[文本，图像，颜色]，并将其与另一个网页进行比较。 我打算使用WinHTTrack软件在本地下载网页，但是问题是它没有将其保存为HTML。 如何使用WinHTTrack之类的软件下载带有HTML扩展名的网页[或仅通过ctrl + s保存网页就可以了？]。 我也计划在本地下载网页后使用HTML解析器提取3种内容类型[文本，图像，颜色]。 那么要使用哪个解析器呢？

Answer 1

我将使用Httrack，它也将获取html文件。 您可能将winhttrack项目文件作为唯一的输出文件，但是如果您在项目目录中进行检查，则将存在html文件（以及图像等）。 我建议使用-http://htmlparser.sourceforge.net/ 。 它是一个Java库，并且由于您的项目是Java项目，因此使用起来应该非常容易。 您还可以使用org.htmlparser.parserapplications.SiteCapturer将整个网站保存在本地（并指定是否还应捕获图像等资源）。 希望能帮助到你。