开源软件名称：

ContentExtractor

开源软件地址：

https://gitee.com/webcollector/ContentExtractor

开源软件介绍：

ContentExtractor

##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

##教程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。

##联系我们欢迎加入讨论群：385105758

邮箱:[email protected]

##开发者ContentExtractor由合肥工业大学dmic团队开发