Crux

Crux 介绍

Crux 是一个 HTML 正文内容提取库，它通过分析 Web 页面，以确定一篇文章的关键内容。该库由多个独立的 API
组成，可随意选择想使用的那个。比如说，如果你在 Android 应用中使用 Crux ，则可以使用 Proguard 或其他压缩工具来去除不需要的部分。

文章提取 API ：

可格式化提取内容丰富，不限于纯文本。
支持更多的网站和更好的页面整体解析。
支持更多的元数据格式：OpenGraph， Twitter Cards，Schema.org 等
占用空间小，JSoup 是唯一需要的依赖项。
更少的 setters/getters，简单易用
能够使用默认的 HttpUrlConnection 之外的 HTTP 库，例如 OkHttp 。
代码简洁
高度支持通过 Gradle 导入 Android Studio 项目
持续集成单元测试和 golden file 测试。

示例代码：

在后台线程中，发出网络请求并获取想要分析的页面的 rawHTML 。

String url = "https://example.com/article.html";
String rawHTML = "<html><body><h1>This is an article</h1></body></html>";

Article article = ArticleExtractor.with(url, rawHTML)
    .extractMetadata()
    .extractContent()  // If you only need Metadata, you can skip `.extractContent()`
    .article();

在 UI 线程上：

// Use article.document, article.title, etc.

Crux 官网

https://github.com/chimbori/crux

机器学习/深度学习

Crux HTML 正文内容提取库

Crux 介绍

Crux 官网

相关编程语言