プレーンテキストから構造化データを抽出する

入力時にプレーンテキスト（通常はHTMLになります）と「文法仕様」（プレーンテキストから構造化データにデータを抽出するための何らかの方法）を使用し、出力I構造化されたデータが必要です（JSONは問題ありませんが、おそらくもっと良いものがありますか？）プレーンテキストから構造化データを抽出する

このタスクのライブラリはありますか？ "文法仕様"を指定する良い方法は何ですか？このような問題を解決する最良の方法は何ですか？

出典

2012-01-05 Solvek

HTMLはいつプレーンテキストと同じですか？ –

あなたの質問から文法の仕様があるかどうかは不明です。はいの場合、どの形式ですか？ – fge

@DaDaDomそれは平文なので...構造化されているのは別の話です – fge

文法ベースの変換のためのいくつかのツール：

TXL http://www.txl.ca/
Stratego/XT http://strategoxt.org/
ASF + SDF http://www.meta-environment.org/

追加：

FPP（http://jffp.sourceforge.net/）は、Javaでフラットファイル解析ライブラリを使用することができます。
入力ファイルがHTMLのみの場合、jsoup（http://jsoup.org/）はJavaのHTMLパーサ
だからhttp://htmlparser.sourceforge.net/またはhttp://mozillaparser.sourceforge.net/またはhttp://jericho.htmlparser.net/docs/index.html

出典

2012-01-05 16:35:37 Raihan

はこれらのJavaベースですか？ – MozenRath

残念ながら、それぞれには、変換規則を定義するための独自の宣言言語があります。 – Raihan

私はあなたが彼を失ったと思う。 – MozenRath

は、HTMLの構文解析のためのjsoupを見て、とgson JavaとJSONのためです。

出典

2012-01-05 16:41:23 graney

私はjsoupが好きです。しかし、それは私が必要とするほど普遍的ではありませんが、私の場合は最も実用的な解決策になります。 – Solvek

HTMLを解析するには、文法スペックを使用して解析するHTMLコードの品質に応じて少し寛大なDOMパーサーが必要です。次に、必要なデータ構造のタイプを提供する必要があります

出典

2012-01-05 16:42:32 MozenRath

-1

プレーンテキストファイルの構造が整形式の場合は、JavaオブジェクトDOM API（またはJDOM）とDOCTYPEを組み合わせてDOMオブジェクトを作成するのはなぜですか？そこから、そのオブジェクトを繰り返し処理して、google-gsonライブラリのようなものを使って簡単にJSONに変換できます。

出典

2012-01-05 16:56:48 chrisdotcode

これは、非構造化テキスト形式で受け取り、構造化されたJSONを与えjilapi

を見てください。

出典

2016-03-21 09:05:50

プレーンテキストから構造化データを抽出する

答えて

関連する問題