tagger

[nicco]

Salve a tutti!
inizio dicendo che sono un principiante in java e quindi mi scuso per eventuali domande stupide che potrei fare=)
Io ho un problema con un programma java che dovrebbe estrarre una pagina web e taggarla. Ho trovato molti codici che mi permettono di estrarre la pagina ma tutti estraggono l'HTML della pagina e quindi non riesco a lanciare l'algoritmo di tag.
Qualcuno conosce il modo di estrarre solamente il TESTO della pagina ripulendola dal codice HTML?
Grazie in anticipo!

[Andrea1979]

in java (SE) non esiste l'equivalente di PHP strip_tags per cui ti dovresti scrivere tu una regex per strippare i tag che non vuoi (o tutti) e tenerti solo il contenuto. La ricerca in internet è la tua migliore amica. Se come dici tu sei alle prime armi, consiglio spassionato: comincia con le basi.

Se sei "di fretta" e cerchi qualcuno che faccia le cose al posto tuo, hai due possibiità: o cambi forum (qui, in questa sezione, da regolamento non si fanno i compiti per casa degli utenti) o cambi sezione del forum (poco sotto la sezione programmazione/java c'è una parte dedicata ad offerte di lavoro/collaborazioni).

[nicco]

Ti ringrazio per l'interessamento! comunque sono riuscito a trovare un algoritmo che ripulisce l'html (si chiama boilerpipe), successivamente lo metto in una stringa e la "tokenizzo" utilizzando stringTokenizer. successivamente la taggo con treeTagger....il problema che mi è sorto ora è l'estrema lentezza del tutto....per taggare una pagina ci mette una giornata intera! qualcuno saprebbe dirmi il motivo?

[Andrea1979]

bisognerebbe vedere che cosa fai: prima prova, spezzetta:

prendi il tempo prima e dopo ciascun passaggio e vedi dove si crea il collo di bottiglia.
A quel punto analizza che succede lì: se è codice di scritto di tuo pugno, sei sicuro che sia ottimizzato (loop/cicli semi-infiniti inutili etc etc). Se invece il problema risiede in qualcuna delle librerie che stai utilizzando, prova a contattare gli sviluppatori...

[nicco]

perfetto ora provo!
Grazie ancora!