红薯HtmlSucker 0.0.1 提取HTML网页信息的工具包

作者：袖梨 2026-06-06

HtmlSucker是一款用来从一个HTML网页中提取文章信息的小工具包，例如从网页中提取文章标题、作者、发布时间、 封面图以及文章正文内容。基于 jsoup 库进行 HTML 解析。

HtmlSucker 提供两种正文提取算法：

最大文本块：分析整个 HTML 文档的所有节点，提取其中包含最多文字的的连续节点。

文本密度算法：参考 WebCollector 项目的代码

目前还处于非常简单的阶段，但是可用。

红薯HtmlSucker 0.0.1 HTML网页信息提取工具包

相关文章

精彩推荐