这是可以提取从HTML SRC人类可读的内容？

Question

的HTML是一种标记语言，有很多东西混合。但是我想从网站中提取人类可读的数据来做一些内容分析。但我所能看到的仅仅是html代码。我可以逐个提取所有HTML标签以提取文本并将其映射出去。 （至少，我可以grep大部分数据，而不是JavaScript的插入的数据）而不是做这个的，我可以有一个更有效的方式来做到这一点？谢谢。

***用java作为编程语言

Answer 1

我使用一般的网站拼抢最喜欢的事情是BeutifulSoup扩展。这里是它的文档的链接。第2.1节解析HTML代码！

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

Answer 2

您可以尝试使用一个终端模式的浏览器，如猞猁呈现网站为纯文本，然后做内容分析，它的输出。

Answer 3

取决于如何复杂，结构良好的HTML是你也许可以创造一些XSLT http://www.w3schools.com/xsl/到HTML转换成更具可读性。