Webページからコンテンツを抽出し、Javaを使って比較する

Question

私は、Webページからコンテンツ[text、image、color]を抽出して別のWebページと比較する必要があるサブモジュールを持つJavaプロジェクトを開発しています。私はWebページをローカルでダウンロードするためにWinHTTrackソフトウェアを使用する予定ですが、HTMLとして保存しないという問題があります。 WinHTTrackなどのソフトウェアを使用してHTML拡張子を持つWebページをダウンロードするにはどうすればいいですか？ctrl + sでWebページを保存するだけですか？また、Webページをローカルにダウンロードした後、HTML Parserを使用して3つのコンテンツタイプ[text、image、color]を抽出する予定です。だからパーサーと一緒に行くのですか？

Answer 1

私はHttrackを使用し、htmlファイルも取得します。おそらくWinHttrackのプロジェクトファイルを唯一の出力ファイルとして受け取っていますが、プロジェクトディレクトリの中にhtmlファイル（画像などと一緒に）が入っているかどうかを確認してください。私は - http://htmlparser.sourceforge.net/を使用することをお勧めします。これはJavaライブラリであり、あなたのプロジェクトはJavaプロジェクトなので、それを使用するのはかなり簡単です。 org.htmlparser.parserapplications.SiteCapturerを使用してウェブサイト全体をローカルに保存することもできます（画像などのリソースも同様にキャプチャするかどうかを指定します）。それが役に立てば幸い。