正文抽取的開源項目

cx-extractor 基于行塊分布函數的通用網頁正文抽取：線性時間、不建DOM樹、與HTML標簽無關。

對于Web信息檢索來說，網頁正文抽取是后續處理的關鍵。 雖然使用正則表達式可以準確的抽取某一固定格式的頁面，但面對形形色色的HTML，使用規則處理難免捉襟見肘。能不能高效、準確的將一個頁...