小弟最近在研究htmlparser解析新闻网页的问题，我试图获取新闻的正文内容，用ParagraphTag截取的内容只是tag<p>和</p>之间的内容，但是，不同的新闻门户网站发布新闻的格式不同，不是所有新闻网站都把新闻正文放在<p>和</p>之间，也不是<p>和</p>之间都放得新闻正文。因此，在解析的时候还得正对不同的网站写不同的代码
也有考虑过正则表达式截取字符串，但找不到思路。
希望各位大侠能够不吝赐教，提点意见也好啊，不胜感激哇~~~
------解决方案--------------------------------------------------------
你可以根据不同的网站， 写不同的正则表达式就可以， 一个网站对应一个或几个表达式，parse的时候直接传给parser就可以了
------解决方案--------------------------------------------------------
- Java code
public String FileText(File html) { String htmlPath = html.getAbsolutePath(); String text = ""; Parser parser = null; try { parser = new Parser(htmlPath); } catch (ParserException e) { e.printStackTrace(); } try { parser.setEncoding("UTF-8"); } catch (ParserException e) { e.printStackTrace(); } HtmlPage visitor = new HtmlPage(parser); try { parser.visitAllNodesWith(visitor); } catch (ParserException e) { e.printStackTrace(); } NodeList nodes = visitor.getBody(); int size = nodes.size(); for (int i = 0; i < size; i++) { Node node = nodes.elementAt(i); text += node.toPlainTextString(); } return text; }
------解决方案--------------------------------------------------------