.NET平台下,一个高效的从Html中提取正文的工具。
正文提取采用了基于文本密度的提取算法,支持从压缩的Html文档中提取正文,每个页面平均提取时间为10ms,正确率到95%以上。
- 将实例项目中的Html2Article.cs复制到你的项目中。
- 引入命名空间Html2Article。
- 添加如下代码:
// html为你要提取的html文本
string html = "<html>....</html>";
// article对象包含Title(标题),PublishDate(发布日期),和Content(正文)三个属性
Article article = Html2Article.GetArticle(html);
- Html2Article类是提取正文的核心类
- Html2Article配置说明
AppendMode:是否使用正文追加模式,默认为false,设置为true会将更多符合条件的文本添加到正文。
Depth:分析的深度,默认为5,对于行空隙较大的页面可增加此值。
LimitCount:字符限定数,当分析的文本数量达到限定数则认为进入正文内容,默认为180个字符。
GetArticle(string html):从Html文本中获取Article。