我想从抓取的html网页中提取文本。我正在使用优秀的开源样管库来做到这一点。但是，使用样管，我只能获得原始文本。除了原始文本之外，我还需要捕获带有原始源格式信息的文本，并内联所有 css 样式信息。
有没有办法用 Boilerpipe 或任何其他 Java 库（最好是开源）来做到这一点？
我应该首先说我从未使用过样板...甚至直到现在才听说过。
但是看看网站和javadocs，我会说你不能用它来提取带有样式的文本。 基本的概念问题是如何表示样式。 例如，BoilerpipeExtractor 接口有 4 个 getText 方法，每个方法都以 String 的形式返回提取的文本。 您将如何在字符串中表示样式？ 您必须嵌入某种标记，但是...
- 什么样的标记，以及
- 您将如何将其与接口的描述相协调，该描述说这些方法返回"文本"......不是"带标记的文本"。
因此，我的评估是，使用样板提取带有样式的文本是完全不切实际的。 因此，请使用您已经确定的其他替代方案。