.NET平台下,一个高效的从Html中提取正文的工具。

正文提取采用了基于文本密度的提取算法,支持从压缩的Html文档中提取正文,每个页面平均提取时间为10ms,正确率到95%以上。


Html2Article有如下特点:

  • 标签无关,提取正文不依赖标签。
  • 支持从压缩的html文档中提取正文内容。
  • 核心算法简洁高效,平均提取时间在20ms左右

使用示例:

[td]<strong>[/td]
01



[td]/// 文章正文数据模型[/td]
02

[td]///[/td]
03

[td]public[/td]
04

[td]{[/td]
05

[td][/td]
06
Title {

get;set; }
[td][/td]
07
Content {

get;set; }
[td][/td]
08
get

;set; }
[td]}[/td]
09

[td]// html为你要提取的html文本[/td]
10

[td]string[/td]
11
;

[td]Article article = Html2Article.GetArticle(html);</strong>[/td]
12

项目主页:http://www.open-open.com/lib/view/home/1357803816027