GeneralNewsExtractor(新闻网页正文通用抽取器)v0.2.6官方版

GeneralNewsExtractor是基于论文《基于文本和符号密度的网页文本提取方法》用Python实现的文本提取器。它可用于提取HTML 文本的内容、作者和标题。

GeneralNewsExtractor（通用新闻网页文本通用提取器）是基于论文《基于文本和符号密度的网页文本提取方法》用Python实现的文本提取器。它可用于提取HTML 文本的内容、作者和标题。

发展介绍

项目起源

这个项目的开发源于我在CNKI上发现一篇关于新闻网站文本自动提取的算法论文——《基于文本和符号密度的网页文本提取方法》）

本文描述的算法看起来简洁、清晰、逻辑性强。但由于论文只讲了算法原理，没有具体的语言实现，所以我根据论文使用Python来实现这个提取器。分别使用今日头条、网易新闻、友民星空、观察者网、凤凰网、腾讯新闻、阅达网、新浪新闻进行测试，发现提取效果非常好，准确率几乎达到100%。

项目状况

在论文中描述的文本提取的基础上，我添加了标题、发表时间和文章作者的自动检测和提取功能。

目前这个项目是一个非常非常早期的demo。发布出来是希望尽快得到大家的反馈，以便更好、更有针对性的开发。

本项目命名为extractor而不是crawler，以避免不必要的风险。因此，这个项目的输入是HTML，输出是字典。请使用适当的方法获取目标网站的HTML。

该项目现在不会也不会提供主动请求网站HTML 的功能。