Textractor

An efficient class library for extracting text from HTML., _(*1)

一个高效的从HTML中提取正文的类库。, _(*2)

正文提取采用了基于文本密度的提取算法，支持从压缩的HTML文档中提取正文，每个页面平均提取时间为30ms，正确率在95%以上。, _(*3)

特色

标签无关，提取正文不依赖标签；
支持从压缩的HTML文档中提取正文内容；
支持带标签输出原始正文；
核心算法简洁高效，平均提取时间在30ms左右。

安装

安装包文件, _(*4)

composer require "mylukin/textractor:dev-master"

添加 ServiceProvider 到您项目 config/app.php 中的 providers 部分:, _(*5)
```
Lukin\Textractor\TextractorServiceProvider::class,
```
创建配置文件:, _(*6)
```
php artisan vendor:publish --provider="Lukin\Textractor\TextractorServiceProvider"
```
然后请修改 config/textractor.php 中对应的项即可。, _(*7)

使用

<?php
$url = 'http://news.163.com/17/0204/08/CCDTBQ9E000189FH.html';
// 创建提取实例
$textractor = new \Lukin\Textractor\Textractor();
// 下载并解析文章
$article = $textractor->download($url)->parse();

printf('

URL: %s

' . PHP_EOL, $url);
printf('

Title: %s

' . PHP_EOL, $article->getTitle());
printf('

Publish: %s

' . PHP_EOL, $article->getPublishDate());
printf('

Text: %s


' . PHP_EOL, $article->getText());
printf('

Content: %s

' . PHP_EOL, $article->getHTML());

License

MIT, _(*8)

05/06 2017

dev-master

9999999-dev

An efficient class library for extracting text from HTML.

Sources Download

MIT

The Requires

php >=5.6
illuminate/support 5.2.*|5.3.*|5.4.*
guzzlehttp/guzzle ^6.2

The Development Requires

by Alex

by Lukin

extractor article html2article

library textractor