Html2ArticleHtml网页正文提取
.NET平台下,一个高效的从Html中提取正文的工具。
正文提取采用了基于文本密度的提取算法,支持从压缩的Html文档中提取正文,每个页面平均提取时间为30ms,正确率到95%以上。
Html2Article有如下特点:
- 标签无关,提取正文不依赖标签。
- 支持从压缩的html文档中提取正文内容。
- 支持带标签输出原始正文。
- 核心算法简洁高效,平均提取时间在30ms左右。
使用示例:
/// <summary> /// 文章正文数据模型 /// </summary> public class Article { public string Title { get; set; } /// <summary> /// 正文文本 /// </summary> public string Content { get; set; } /// <summary> /// 带标签正文 /// </summary> public string ContentWithTags { get; set; } public DateTime PublishDate { get; set; } }
// html为你要提取的html文本 string html = "<html>....<html>"; Article article = Html2Article.GetArticle(html);
评论
HtmlSuckerHTML 正文提取工具
HtmlSucker是一个用来从一个网页中提取文章信息的小工具包,例如从网页中提取文章标题、作者、发布时间、封面图以及文章正文内容。基于 jsoup 库进行HTML解析。HtmlSucker提取文章正
HtmlSuckerHTML 正文提取工具
0
BoilerpipeHTML 正文内容提取库
Boilerpipe是一个能从HTML中剔除广告和其他附加信息,提取出目标信息(如正文内容、发布时间)的Java库。其算法的基本思想是通过训练获得一个分类器来提取出我们需要的信息。Boilerpipe
BoilerpipeHTML 正文内容提取库
0
CruxHTML 正文内容提取库
Crux 是一个 HTML 正文内容提取库,它通过分析Web 页面,以确定一篇文章的关键内容。该库由多个独立的API组成,可随意选择想使用的那个。比如说,如果你在Android应用中使用Crux,则可
CruxHTML 正文内容提取库
0
ContentExtractor网页正文抽取算法
简介ContentExtractor是一个开源的网页正文抽取工具,用JAVA实现,具有非常高的抽取精度。项目地址转移项目已和WebCollector合并,当前项目为老版本ContentExtracto
ContentExtractor网页正文抽取算法
0