軟件介紹

簡介

ContentExtractor 是一個開源的網頁正文抽取工具，用JAVA實現，具有非常高的抽取精度。

算法

ContentExtractor的網頁正文抽取算法使用的是CEPR，適用于幾乎所有的包含正文的網頁。 算法簡介：

項目地址轉移

項目已和WebCollector合并，當前項目為老版本ContentExtractor,請前往WebCollector項目查看ContentExtractor的最新版本源碼和API。

教程(只適用于老版本，新版本請前往WebCollector)

ContentExtractor的接口非常簡單，用戶可以根據網頁的url，或者網頁的html，來進行網頁正文抽取：

根據url，抽取網頁的正文：

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);

}

根據html，抽取網頁的正文：

public?static?void?main(String[]?args)?throws?Exception?{

String?html="獲取到的html源碼";

String?content=ContentExtractor.getContentByHtml(html);

System.out.println(content);

}

導入項目(只適用于老版本，新版本請前往WebCollector)

從ContentExtractor的github主頁https://github.com/hfut-dmic/ContentExtractor上下載ContentExtractor-{版本號}-bin.zip,將解壓后得到的jar包全部放到工程的build path即可。

ContentExtractor由合肥工業大學dmic團隊開發

為你推薦:

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的java 网页正文抽取算法_网页正文抽取算法 ContentExtractor的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。