类 HtmlExtractor
java.lang.Object
com.agentsflex.core.file2text.extractor.impl.HtmlExtractor
- 所有已实现的接口:
FileExtractor
增强版 HTML 文档提取器
支持可配置的噪音过滤规则(含中文网站常见广告)
-
字段概要
字段从接口继承的字段 com.agentsflex.core.file2text.extractor.FileExtractor
ORDER_COMPARATOR -
构造器概要
构造器 -
方法概要
修饰符和类型方法说明static voidaddCustomKeyword(String keyword) 添加自定义 class/id 关键词static voidaddCustomSelector(String selector) 添加自定义噪音选择器(CSS 选择器)private voidappendNodeText(org.jsoup.nodes.Node node, StringBuilder text, int level) private voidextractBodyContent(org.jsoup.nodes.Document doc, StringBuilder text) private voidextractTable(org.jsoup.nodes.Element table, StringBuilder text) extractText(DocumentSource source) private voidextractTitle(org.jsoup.nodes.Document doc, StringBuilder text) private StringgetExtension(String fileName) intgetOrder()private booleanisBlockLevel(String tagName) private voidremoveElementsBySelectors(org.jsoup.nodes.Element body) 使用 CSS 选择器移除噪音private voidremoveElementsWithKeywords(org.jsoup.nodes.Element body) 移除 class 或 id 包含关键词的元素private Stringbooleansupports(DocumentSource source) 判断该 Extractor 是否支持处理此文档
-
字段详细资料
-
SUPPORTED_MIME_TYPES
-
SUPPORTED_EXTENSIONS
-
DEFAULT_SELECTORS
-
CLASS_KEYWORDS
-
ID_CLASS_PATTERN
-
CUSTOM_SELECTORS
-
CUSTOM_CLASS_KEYWORDS
-
-
构造器详细资料
-
HtmlExtractor
public HtmlExtractor()
-
-
方法详细资料
-
addCustomSelector
添加自定义噪音选择器(CSS 选择器) -
addCustomKeyword
添加自定义 class/id 关键词 -
supports
从接口复制的说明:FileExtractor判断该 Extractor 是否支持处理此文档- 指定者:
supports在接口中FileExtractor
-
extractText
- 指定者:
extractText在接口中FileExtractor- 抛出:
IOException
-
extractTitle
-
extractBodyContent
-
removeElementsBySelectors
使用 CSS 选择器移除噪音 -
removeElementsWithKeywords
移除 class 或 id 包含关键词的元素 -
repeat
-
appendNodeText
-
isBlockLevel
-
extractTable
-
getOrder
- 指定者:
getOrder在接口中FileExtractor
-
getExtension
-