维基百科第一段

Question

我正在编写一些Java代码,以便使用Wikipedia在文本上实现NLP任务.如何使用JSoup提取维基百科文章的第一段？

非常感谢.

Answer 1

它非常简单,每个半结构化页面的过程都非常相似,您可以从中提取信息.

首先,您必须唯一地标识所需信息所在的DOM元素.最简单的方法是使用Web开发工具,例如Firefox中的Firebug,或者与IE捆绑的那些(> 6,I想)和Chrome.

使用文章Potato作为示例,您会发现<p>您感兴趣的aragraph位于以下块中:

<div class="mw-content-ltr" lang="en" dir="ltr">
  <div class="metadata topicon" id="protected-icon" style="display: none; right: 55px;">[...]</div>
  <div class="dablink">[...]</div>
  <div class="dablink">[...]</div>
  <div>[...]</div>
  <p>The potato [...]</p>
  <p>[...]</p>
  <p>[...]</p>

换句话说,您希望找到带有被调用<p>内部的第一个元素.divclassmw-content-ltr

然后,您只需要使用jsoup选择该元素,例如使用其选择器语法(这与jQuery非常相似):

public class WikipediaParser {
  private final String baseUrl; 

  public WikipediaParser(String lang) {
    this.baseUrl = String.format("http://%s.wikipedia.org/wiki/", lang);
  }

  public String fetchFirstParagraph(String article) throws IOException {
    String url = baseUrl + article;
    Document doc = Jsoup.connect(url).get();
    Elements paragraphs = doc.select(".mw-content-ltr p");

    Element firstParagraph = paragraphs.first();
    return firstParagraph.text();
  }

  public static void main(String[] args) throws IOException {
    WikipediaParser parser = new WikipediaParser("en");
    String firstParagraph = parser.fetchFirstParagraph("Potato");
    System.out.println(firstParagraph); // prints "The potato is a starchy [...]."
  }
}