从HTML中提取文章的标题(使用Boilerpipe)

Question

Boilerpipe允许从网页中只提取文章的文本，清理掉所有的HTML乱七八糟的东西。但是，我如何提取文章的标题？有一种只使用页面标题的方法，但有时是不正确的，并且包含不需要的单词(例如“title - sitename")。

另一个想法是在<h1>和</h1>之间查找文本，但我仍然认为我会问一些更多的解决方案。

Answer 1

你在写一个网络爬虫吗？我认为困难在于你需要知道标题在整个html中的位置。