jsoup-从Wikipedia文章中提取文本 [英] jsoup - extract text from wikipedia article
本文介绍了jsoup-从Wikipedia文章中提取文本的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！
问题描述
我正在编写一些Java代码，以便使用Wikipedia在文本上实现NLP任务.如何使用JSoup提取Wikipedia文章的所有文本(例如 http://中的所有文本en.wikipedia.org/wiki/波士顿)?
I'm writing some Java code in order to realize NLP tasks upon texts using Wikipedia. How can I use JSoup to extract all the text of a Wikipedia article (for example all the text in http://en.wikipedia.org/wiki/Boston)?
推荐答案
Document doc = Jsoup.connect("http://en.wikipedia.org/wiki/Boston").get();
Element contentDiv = doc.select("div[id=content]").first();
contentDiv.toString(); // The result
您当然可以通过这种方式检索格式化的内容.如果您想要原始"内容，则可以使用Jsoup.clean过滤结果或使用调用contentDiv.text().
You retrieve formatted content this way, of course. If you want "raw" content you can filter the result with Jsoup.clean or use the call contentDiv.text().
这篇关于jsoup-从Wikipedia文章中提取文本的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！
查看全文
