AndroidでWikipediaからプレーンテキストを抽出したい

Question

前提・実現したいこと

Android Studioでウェブページのテキストを抽出したいです。今回は、Wikipediaの１つの記事について全文をプレーンテキストとして取得したいと考えています。記事の内容をhtmlで取得することはできたのですが、プレーンテキストの形では取得できないのでしょうか。自分なりに調べたのですが、方法が思いつかなかったので、質問させていただきました。

補足情報（FW/ツールのバージョンなど）

Android 3.1.4
Windows10
Android Nexus5X

Comments

[退会済みユーザー]

https://ja.wikipedia.org/wiki/Wikipedia:%E3%82%A6%E3%82%A3%E3%82%AD%E3%83%9A%E3%83%87%E3%82%A3%E3%82%A2%E3%82%92%E4%BA%8C%E6%AC%A1%E5%88%A9%E7%94%A8%E3%81%99%E3%82%8B

Answer 1

記事の内容をhtmlで取得することはできたのですが、プレーンテキストの形では取得できないのでしょうか。

そのことを、Webスクレイピングと呼びます。Java スクレイピングで調べると。8 Most Popular Java Web Crawling & Scraping Libraries

Androidの利用で日本語情報が多いのは、jsoup でしょう。全文を取り出す例があるか調べてみてください。

Answer 2

Wikipedia の記事はマークアップ言語で書かれていると思いますので, 完全なプレーンテキストは無いと思います.
何にしても変換する必要があるのではないでしょうか.

Comments

[退会済みユーザー]

編集は　ウィキペディア記法だけど、ブラウザで出力されるのはHTMLのはずだったはず

[jimbe]

使ったことが無いので詳細は知らないのですが, データベースダンプから取り出せるのは編集時の XML とは違うのでしょうか.

[退会済みユーザー]

逐次更新だと負荷が高くなるのであらかじめHTMLを作成してる。

編集用のデータファイル（データベース?）とは別にね

[jimbe]

ご質問はプレーンテキストを得るということですので, wikipedia の html の生成タイミングはともかく, 記事のオリジナル自体がマークアップで書かれていれば, wikipedia としては「プレーンテキストとして保存」もしくは「プレーンテキストに変換」する機能を持っている可能性(必要性)は低いと思いました(少し検索しましたが非公式?の変換ツールしか"らしい"モノは見つかりませんでした)ので, 「変換する必要があるのでは」と回答致しました.

[k126578ta]

回答ありがとうございます。
htmlから必要な部分を抽出してみようと思います。