网页正文提取工具

开源项目

• 基于文本密度的html2article
• 基于标签比例的机器学习Dragnet
• 专注新闻类网页提取的Newspaper
• 集成goose等三种算法的readbilitybundle
• readability
• python-readability
• python-goose

参考:

• 网页正文内容提取工具概述
• 正文抽取的开源项目
• 网页正文抽取工具
• 运行在.NET/Mono上的Readability