這是可以提取從HTML SRC人類可讀的內容？

Question

的HTML是一種標記語言，有很多東西混合。但是我想從網站中提取人類可讀的數據來做一些內容分析。但我所能看到的僅僅是html代碼。我可以逐個提取所有HTML標籤以提取文本並將其映射出去。 （至少，我可以grep大部分數據，而不是JavaScript的插入的數據）而不是做這個的，我可以有一個更有效的方式來做到這一點？謝謝。

***用java作爲編程語言

Answer 1

我使用一般的網站拼搶最喜歡的事情是BeutifulSoup擴展。這裏是它的文檔的鏈接。第2.1節解析HTML代碼！

http://www.crummy.com/software/BeautifulSoup/bs3/documentation.html

Answer 2

您可以嘗試使用一個終端模式的瀏覽器，如猞猁呈現網站爲純文本，然後做內容分析，它的輸出。

Answer 3

取決於如何複雜，結構良好的HTML是你也許可以創造一些XSLT http://www.w3schools.com/xsl/到HTML轉換成更具可讀性。