Utilisation html parser ?

Version imprimable

06/06/2010, 15h45
aamad

Utilisation html parser ?

Bonjour
je travail sur l'extraction d'information à partir d'un fichier html

la première étape étais de transformer le fichier html en texte puis supprimer toutes les balises pour obtenir un texte nettoyé
tout ça avec java
la deuxième étape est d'écrire une grammaire en java qui lis -à partir du fichier nettoyé- les mots mot par mot et faire une recherche dans un dictionnaire pour indiquer le sens du mot
par exemple si le mots est RAM sa va être étiquetté par 'matériel'

ma question et comment utiliser html parser (htmlparser.sourceforge.net) pour réaliser cette première étape.

et comment j'écris une grammaire en java ayant comme entrée un texte est donne en sortie un texte étiquetté mot par mot

merci de m'aider

Bonjour. Regarde sa. Ça enlève toutes les balises.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
 
public class Aide {
// Partie Test
    public static void main(String[] args) {
        System.out.println(enleveBalises("<html><body><h1>My First Heading</h1><p>My first paragraph.</p></body></html>"));
    }
// Partie Importante
    static String enleveBalises(String leHtml) {
        StringBuilder strb = new StringBuilder(leHtml);
        int startIndex = 0, endIndex = 0;
        while ((startIndex = strb.indexOf("<", endIndex)) != -1) {
            int nextIndex = strb.indexOf(">", startIndex + 1);
            strb.delete(startIndex, nextIndex + 1);
            endIndex = startIndex;
        }
        return strb.toString();
    }
 
}

Résultat: My First HeadingMy first paragraph.

Pour tout couper en mot,

Code:

1
2
 
String[] mots = enleveBalises(variableContenantHtml).split(" ");

07/06/2010, 10h58
aamad

Je vous remercie je vais essayer ça.

Citation:

Envoyé par Simonake

Bonjour. Regarde sa. Ça enlève toutes les balises.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
 
public class Aide {
// Partie Test
    public static void main(String[] args) {
        System.out.println(enleveBalises("<html><body><h1>My First Heading</h1><p>My first paragraph.</p></body></html>"));
    }
// Partie Importante
    static String enleveBalises(String leHtml) {
      8O  StringBuilder strb = new StringBuilder(leHtml);8O
        int startIndex = 0, endIndex = 0;
        while ((startIndex = strb.indexOf("<", endIndex)) != -1) {
            int nextIndex = strb.indexOf(">", startIndex + 1);
            strb.delete(startIndex, nextIndex + 1);
            endIndex = startIndex;
        }
        return strb.toString();
    }
 
}

Résultat: My First HeadingMy first paragraph.

Pour tout couper en mot,

Code:

1
2
 
String[] mots = enleveBalises(variableContenantHtml).split(" ");

j'ai une erreur au niveau de StringBuilder strb = new StringBuilder(leHtml);
cannot resolv symbol class ??????

12/06/2010, 05h05
Simonake

Ce ne serait pas ces deux '80' quo bug?

Code:

8O StringBuilder strb = new StringBuilder(leHtml);8O