https://github.com/est/cx-extractor

Automatically exported from code.google.com/p/cx-extractor
https://github.com/est/cx-extractor

Last synced: over 1 year ago
JSON representation

Automatically exported from code.google.com/p/cx-extractor

• Host: GitHub
• URL: https://github.com/est/cx-extractor
• Owner: est
• Created: 2015-03-15T07:42:19.000Z (over 11 years ago)
• Default Branch: master
• Last Pushed: 2015-03-15T07:52:52.000Z (over 11 years ago)
• Last Synced: 2024-10-30T00:52:50.782Z (over 1 year ago)
• Language: HTML
• Size: 3.31 MB
• Stars: 7
• Watchers: 3
• Forks: 6
• Open Issues: 5
• Metadata Files:
  • Readme: Readme.txt

Awesome Lists containing this project

README

          

建议：

1. 如果要提取娱乐类的网页，尤其是在图片把正文分割的比较支离破碎时，

   建议用Java版代码。Java版实现时对多个正文片段进行合并，可以很好

   的处理这一问题。但缺点是正文结尾可能会有少许噪声。

2. Perl和PHP的实现版本，一遍扫描只求最大行块，不进行拼接。如果出

   现特别支离破碎的正文时，可能会有丢失。但优点是边缘的噪声去除的

   很好。

有任何问题，欢迎随时联系我：）

****************************************

陈  鑫

Email: cx3180@gmail.com

Blog:  http://hi.baidu.com/爱心同盟_陈鑫

****************************************