HtmlSucker: 该项目用来从一个 HTML 中提取文章信息，包括标题、正文、作者、发布日期等等

## HtmlSucker ##

HtmlSucker 是一个用来从一个网页中提取文章信息的小工具包，例如从网页中提取文章标题、作者、发布时间、
封面图以及文章正文内容。基于 [jsoup](https://www.oschina.net/p/jsoup) 库进行 HTML 解析。

HtmlSucker 提供两种正文提取算法：

1. 最大文本块：分析整个 HTML 文档的所有节点，提取其中包含最多文字的的连续节点。
2. 文本密度算法：参考 [WebCollector](https://gitee.com/webcollector/WebCollector) 项目的代码

目前还处于非常简单的阶段，但是可用。

本项目部分代码参考 [Crux](https://www.oschina.net/p/crux-web) 项目，例如 HeuristicString 类。

Maven:

```
<dependency>
 <groupId>net.oschina.htmlsucker</groupId>
 <artifactId>HtmlSucker</artifactId>
 <version>0.0.2</version>
</dependency>
```

示例代码：

```
public static void main(String[] args) throws IOException {
    String url = "https://www.oschina.net/news/92798/micro-match-1-0-1-released";
    System.out.println(HtmlSucker.select(HtmlSucker.TEXT_DENSITY_EXTRACTOR).parse(url, 20000));
}
```

运行结果：

```
title:撮合平台 1.0.1 发布 暴露远程调用接口 - 开源中国社区
keywords:开源中国,micro-match,撮合平台 1.0.1 发布 暴露远程调用接口
description:撮合平台 1.0.1 发布 暴露远程调用接口并优化撮合条数算法 1，挂买单接口 2，挂卖单接口 3，撮合接口 4，撮合结果查询接口 详见：https://my.oschina.net/jeffreyning/blog/1612810...
author:
date:null
image:https://www.oschina.net/img/logo_s2.png
content:
<a data-traceid="news_detail_above_text_link_1" data-tracepid="news_detail_above_text_link" style="color:#A00;font-weight:bold;" href="http://click.aliyun.com/m/18500/" target="_blank">阿里云高性能云服务器，2折起！ &gt;&gt;&gt; &gt;&gt;&gt;</a>&nbsp;&nbsp;<img src="https://my.oschina.net/img/hot3.png" align="" style="max-height: 32px; max-width: 32px;">
撮合平台 1.0.1 发布 暴露远程调用接口并优化撮合条数算法
1，挂买单接口
2，挂卖单接口
3，撮合接口
4，撮合结果查询接口
详见：<a data-cke-saved-href="https://my.oschina.net/jeffreyning/blog/1612810" href="https://my.oschina.net/jeffreyning/blog/1612810" target="_blank">https://my.oschina.net/jeffreyning/blog/1612810</a>

```

本项目采用 WTFPL 许可，爱怎么用怎么用！ 不过因为使用了 [WebCollector](https://gitee.com/webcollector/WebCollector) 的部分代码，而 WebCollector 项目的许可证是 GPLv2 。

Panlf/HtmlSucker

简介

发行版

贡献者

近期动态

Panlf/HtmlSucker .gitee-modal { width: 500px !important; }

简介

发行版

贡献者

近期动态

搜索帮助

Panlf/HtmlSucker