Извлечь структурированные данные из обычного текста

Question

На входе у меня есть простой текст (в моем случае обычно это будет HTML) и «спецификация грамматики» (в некотором роде для извлечения данных из обычного текста в структурированные данные), а затем на выходе I необходимо иметь некоторые структурированные данные (JSON в порядке, но, возможно, что-то лучше?)

Есть ли библиотеки для этой задачи? Каковы хорошие подходы к определению «грамматической спецификации»? Каковы наилучшие подходы к решению такой проблемы?

Answer 1

Некоторые инструменты для преобразований на основе грамматики:

• TXL http://www.txl.ca/
• Stratego/XT http://strategoxt.org/
• ASF + SDF http://www.meta-environment.org/

Дополнение

• FPP (http://jffp.sourceforge.net/) представляет собой плоскую библиотеку разбора файлов на Java, которая может быть полезна
• Если входной файл является только HTML, jsoup (http://jsoup.org/) является Java HTML анализатор
• Так http://htmlparser.sourceforge.net/ или http://mozillaparser.sourceforge.net/ или http://jericho.htmlparser.net/docs/index.html

Answer 2

Посмотрите на jsoup для HTML разбора и и gson для Java-к-JSON.

Answer 3

Для анализа HTML вам понадобится парсер DOM, который немного смягчен в зависимости от качества HTML-кода для его анализа с использованием спецификации грамматики, а затем вам нужно будет предоставить тип структуры данных, который вы хотите, и там являются библиотеками, которые делают это для вас

Answer 4

Хорошо, если структура текстовых файлов хорошо сформирована, почему бы не использовать Java DOM API (или JDOM) в сочетании с DOCTYPE для создания объекта DOM? Оттуда вы можете перебирать этот объект и легко преобразовать его в JSON, используя что-то вроде библиотеки google-gson.

Answer 5

Посмотрите jilapi

Это происходит в неструктурированной виде простого текста и выдает структурированный JSON.