text-extraction - .net のボイラーパイプの HtmlHighlighter が常にテキストを返さない

Question

私のアプリケーションで Boilerpipe を使用しており、ArticleExtractor を使用してコンテンツを抽出しようとすると、平面テキストのみが取得され、すべての html フォーマットが削除されているため、HtmlHighlighter を使用しようとしています。しかし、HtmlHighlighter の process メソッドは特定の URL で失敗します。このメソッドに渡すために html 文字列を使用するオプションはありますか? 誰か説明できますか？

Answer 1

IKVMを使用して Boilerpipe jar を新しい DLL に変換し、.NET アプリケーションで使用できます。私はこのアプローチを使用しており、さまざまなボイラーパイプ メソッドをスローした html を送信するときに正常に動作します。

アクセスしようとしているページ コンテンツが JavaScript によって読み込まれている場合、単純な http リクエストではそのような情報を処理できません。最初に、javascript の変更後に結果の html を取得し、それをボイラーパイプに渡す必要があります。