java - 使用boilerpipe提取非英文文章

Question

我正在尝试使用 boilerpipe java 库，从一组网站中提取新闻文章。 它适用于英文文本，但对于带有特殊字符的文本，例如带有重音符号的单词 (história)，这些特殊字符无法正确提取。我认为这是一个编码问题。

在 boilerpipe 常见问题解答中，它说“如果您提取非英语文本，您可能需要更改一些参数”，然后引用 paper .我在这篇论文中没有找到解决方案。

我的问题是，在使用 boilerpipe 时是否有任何参数可以指定编码？有什么办法可以绕过并正确获取文本吗？

我如何使用图书馆: (第一次尝试基于 URL):

URL url = new URL(link);
String article = ArticleExtractor.INSTANCE.getText(url);

(第二个在 HTLM 源代码上)

String article = ArticleExtractor.INSTANCE.getText(html_page_as_string);

Answer 1

您不必修改内部 Boilerpipe 类。

只需将 InputSource 对象传递给 ArticleExtractor.INSTANCE.getText() 方法并强制对该对象进行编码。例如:

URL url = new URL("http://some-page-with-utf8-encodeing.tld");

InputSource is = new InputSource();
is.setEncoding("UTF-8");
is.setByteStream(url.openStream());

String text = ArticleExtractor.INSTANCE.getText(is);

问候!