当前位置: 软件>java软件
网页正文抽取算法 ContentExtractor
本文导语: 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。 算法 ContentExtractor的网页正文抽取算法使用的是CEPR，适用于几乎所有的包含正文的网页。 算法简介：http://dl.acm.org/citation.cfm?id=2505558 教...
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。
算法ContentExtractor的网页正文抽取算法使用的是CEPR，适用于几乎所有的包含正文的网页。 算法简介：http://dl.acm.org/citation.cfm?id=2505558
教程ContentExtractor的接口非常简单，用户可以根据网页的url，或者网页的html，来进行网页正文抽取：
根据url，抽取网页的正文：
public static void main(String[] args) throws Exception {
String content=ContentExtractor.getContentByURL("http://news.
xinhuanet.com/world/2014-11/02/c_127166728.htm");
System.out.println(content);
}
根据html，抽取网页的正文：
public static void main(String[] args) throws Exception {
String html="获取到的html源码";
String content=ContentExtractor.getContentByHtml(html);
System.out.println(content);
}
导入项目
从ContentExtractor的github主页https://github.com/hfut-dmic/ContentExtractor上下载ContentExtractor-{版本号}-bin.zip,将解压后得到的jar包全部放到工程的build path即可。
ContentExtractor由合肥工业大学dmic团队开发
Git@OSC：http://git.oschina.net/webcollector/ContentExtractor
本站(WWW.)旨在分享和传播互联网科技相关的资讯和技术，将尽最大努力为读者提供更好的信息聚合和浏览方式。
本站(WWW.)站内文章除注明原创外，均为转载、整理或搜集自网络。欢迎任何形式的转载，转载请注明出处。
本站(WWW.)站内文章除注明原创外，均为转载、整理或搜集自网络。欢迎任何形式的转载，转载请注明出处。