HTML 正文内容提取库 Crux

• 授权协议: Apache 2.0
• 开发语言: HTML/CSS
• 操作系统: 跨平台
• 软件首页: https://github.com/chimbori/crux
• 软件文档: https://github.com/chimbori/crux
• 官方下载: https://github.com/chimbori/crux

软件介绍

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.

本文地址：https://www.codercto.com/soft/d/11732.html