Textractor

An efficient class library for extracting text from HTML.

一個高效的從HTML中提取正文的類庫.

正文提取采納了基于文本密度的提取算法,支持從壓縮的HTML文檔中提取正文,每個頁面平均提取時間為30ms,正確率在95%以上.

特色

• 標簽無關,提取正文不依賴標簽；

• 支持從壓縮的HTML文檔中提取正文內容；

• 支持帶標簽輸出原始正文；

• 核心算法簡潔高效,平均提取時間在30ms左右.

安裝

1. 安裝包文件

composer require "mylukin/textractor:dev-master"

1. 添加 ServiceProvider 到您項目 config/app.php 中的 providers 部門:

Lukin\Textractor\TextractorServiceProvider::class,

1. 創立配置文件:

php artisan vendor:publish --provider="Lukin\Textractor\TextractorServiceProvider"

然后請修改 config/textractor.php 中對應的項即可.

使用

<?php$url = 'http://news.163.com/17/0204/08/CCDTBQ9E000189FH.html';// 創立提取實例$textractor = new \Lukin\Textractor\Textractor();// 下載并解析文章$article = $textractor->download($url)->parse();printf('<div id="url">URL: %s</div>' . PHP_EOL, $url);printf('<div id="title">Title: %s</div>' . PHP_EOL, $article->getTitle());printf('<div id="published">Publish: %s</div>' . PHP_EOL, $article->getPublishDate());printf('<div id="text">Text: <pre>%s</pre></div>' . PHP_EOL, $article->getText());printf('<div id="html">Content: %s</div>' . PHP_EOL, $article->getHTML());

地址：https://github.com/mylukin/Textractor