发布一个HTML正文提取程序HTMLExtractor,
程序主要是基于内容统计的方法,暂不包含自学习能力,仅是
一个分析程序而以,网上也有别人实现了的正文提取程序,不过
大部人都当宝,都不愿意公开完整代码,有些大人实现了一些简
单的,不过分析能力和识别能力都不太理想。所以自己做了一个
简单的,本来想用PHP DOM分析器,不过大部份网页都不规范,
缺个标签啥的都很正常,所以自已又造了个简单的轮子分析HTML标
签,功能比较简单,每个元素都生成一个对象,内存方面占用比较
高,不过在这里我只是为了实现,并没去做优化。因为我并不是在
做应用,所以希望不要让我改改成什么样去适用你们的业务(以前经常
有QQ加上让我把我的例子怎么改,很无语),
如果你们喜欢,可以和我一起开发完善他。补充一下,因为写的着急,现在几个类的耦合性还比较大,下来再守善吧。项目代码 http://code.google.com/p/html-extractor/
在线例子 http://dev.psm01.cn/c/html-extractor.php帖上源码,说太长不让发,所以需要的自己去GOOGLE上检出来吧。