维基百科第一段

Question

我正在编写一些 Java 代码，以便使用维基百科的文本实现 NLP 任务。如何使用 JSoup 提取维基百科文章的第一段？

多谢。

Answer 1

它非常简单，并且对于从中提取信息的每个半结构化页面来说，该过程都非常相似。

首先，您必须唯一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（我认为> 6）和 Chrome 捆绑在一起的 Firebug。

以文章 Potato 为例，您会发现 您感兴趣的段落位于以下块中：

<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，您想要找到 < 内的第一个

元素代码>div 带有class 称为 mw-content-ltr。

然后，您只需使用 jsoup 选择该元素，例如使用其选择器语法（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 [...]."
  }
}

Answer 2

看起来第一段也是文档中的第一个

块。所以这可能有效：

Document doc = Jsoup.connect("http://en.wikipedia.org/wiki/B-tree").get();
Elements paragraphs = doc.select("p");
Element firstParagraph = paragraphs.first();

现在你可以获得这个元素的内容

Answer 3

Silva 提出的解决方案适用于大多数情况，除了“JavaScript”和“美国”。段落应选择为 doc.select(".mw-body-content p");

查看此 GitHub 代码了解更多详细信息。您还可以从 HTML 中删除一些元数据信息以提高准确性。