GitHub - DormyMo/cx-extractor: Automatically exported from code.google.com/p/cx-extractor

DormyMo / cx-extractor Public

Notifications You must be signed in to change notification settings
Fork 0
Star 0

Automatically exported from code.google.com/p/cx-extractor

Notifications

Name		Name	Last commit message	Last commit date
Latest commit History 38 Commits
demo		demo
doc		doc
src		src
util		util
Readme.txt		Readme.txt

Repository files navigation

建议：

1. 如果要提取娱乐类的网页，尤其是在图片把正文分割的比较支离破碎时，
   建议用Java版代码。Java版实现时对多个正文片段进行合并，可以很好
   的处理这一问题。但缺点是正文结尾可能会有少许噪声。


2. Perl和PHP的实现版本，一遍扫描只求最大行块，不进行拼接。如果出
   现特别支离破碎的正文时，可能会有丢失。但优点是边缘的噪声去除的
   很好。




有任何问题，欢迎随时联系我：）
****************************************
陈  鑫
Email: cx3180@gmail.com
Blog:  http://hi.baidu.com/爱心同盟_陈鑫
****************************************