模板抽取思路

heritrix抓取下来的东西,其实就和下载器下载下来一样。
我们必须用自己的方法去抽取出一些有用的信息
恩,以前一直用htmlparser提取,虽然简便易用。可是维护起来是一个大麻烦而且编写程序的成本很高!等等!!!
现在做这个采用了新的思路,  html——>XML or XHTML(整个HTML转为XML) --> XSLT提取——>最终XML(需要的最终数据的XML)
这个要做的就是转换,工具很多目前我用的是 jtidy,可以很方便简洁的把HTML转为XHTML或者XML,然后在学习一下XSLT来配置模板提取。
这样一来,代码简洁维护起来简便。如果开发一个界面XML提取的小工具。我想模板配置对一个没有经验来说的编辑都是一件容易的事情

你可能感兴趣的:(html,xml,XHTML)