网页正文抽取工具

[chrislinan]

项目推荐

• 项目名称：
  cx-extractor-python
• 项目地址：
  https://github.com/chrislinan/cx-extractor-python
• 项目后续更新计划：
  添加多语言支持
• 项目描述：
  这是一个对网页正文进行抽取的工具，是cx-extractor算法的python版本，改进了原有算法，使其支持中英文，对新闻类网页正文抽取效果较好
• 推荐理由：
  不需要解析html，抽取网页正文速度快，准确度高
• 示例代码：

  from crawler.cx_extractor_Python import  cx_extractor_Python
  cx = cx_extractor_Python()
  # test_html = cx.readHtml("E:\\Documents\\123.html")
  test_html = cx.getHtml('http://news.163.com/16/0101/10/BC84MRHS00014AED.html')
  content = cx.filter_tags(test_html)
  s = cx.getText(content)
   print(s)
  

• 截图：
  
  

[521xueweihan]

@chrislinan 您推荐的项目，已成功收录在 HelloGitHub 第 30 期，并把您添加到了贡献者列表中。

欢迎继续推荐如此优秀的项目、告诉其他小伙伴加入到 HelloGitHub 项目中。谢谢 🙏