Html2Article - Html网页正文提取
Apache
Windows
C#
软件简介
.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30ms，正确率到95%以上。
Html2Article有如下特点：
- 标签无关，提取正文不依赖标签。
- 支持从压缩的html文档中提取正文内容。
-
支持带标签输出原始正文。
-
核心算法简洁高效，平均提取时间在30ms左右。
使用示例：
/// <summary>
/// 文章正文数据模型
/// </summary>
public class Article
{
public string Title { get; set; }
/// <summary>
/// 正文文本
/// </summary>
public string Content { get; set; }
/// <summary>
/// 带标签正文
/// </summary>
public string ContentWithTags { get; set; }
public DateTime PublishDate { get; set; }
}
// html为你要提取的html文本
string html = "<html>....<html>";
Article article = Html2Article.GetArticle(html);