- 授权协议: GPLv2
- 开发语言: Java
- 操作系统: 跨平台
- 软件首页: https://github.com/hfut-dmic/ContentExtractor
- 软件文档: https://github.com/hfut-dmic/ContentExtractor
软件介绍
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
项目地址转移
项目已和WebCollector合并，当前项目为老版本ContentExtractor,请前往WebCollector项目查看ContentExtractor的最新版本源码和API。
教程(只适用于老版本，新版本请前往WebCollector)
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(只适用于老版本，新版本请前往WebCollector)
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
