用JAVA实现的自动抽取网页正文算法：ContentExtractor
jopen
10年前
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。
联系我们
欢迎加入讨论群：385105758
开发者
ContentExtractor由合肥工业大学dmic团队开发。