
红薯HtmlSucker 0.0.1 HTML网页信息提取工具包
- 大小:14.1KB
- 分类:jsp其它
- 环境:Windows
- 更新:2018-01-30
热门排行
简介
HtmlSucker是一款用来从一个HTML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 提供两种正文提取算法:
最大文本块:分析整个 HTML 文档的所有节点,提取其中包含最多文字的的连续节点。
文本密度算法:参考 WebCollector 项目的代码
目前还处于非常简单的阶段,但是可用。