King的专栏

从网页中提取的正文一般来说模板是最好最准确的方式，在专业术语中就是wrapper,对web归纳总结出提取规则创建包装器wrapper。但由于在大多数条件下制作模板是个很烦人的工作，而且如果抓取的种子站过多，人工难以满足需求。于是自动生成模板就成为一个折衷的替代方案，但实际上自动生成的模板还是需要模板编辑确定具体的对应项，以保证其正确性。如果从语法分析去考虑，这个部分不参与人工，目前还没看到有成功的...

工作中同事帮忙写的正则，主要被我用于网页正文提取  #region 相关正则表达式 /// <summary> /// 去掉所有html标签 /// </summary>  private static readonly Regex FilterAll = new Regex( @"(\[([^=]*)(=[^\]]*)?\][\s\S]*?\[/\1\])|(?<...

演示地址如下：http://202.110.133.114/tsegment/webanalyer.aspx属于早期作品，采用规则方法提出非正文内容，则认为留下的内容为正文。仅作简单技术演示之用，感谢TT同学提供的空间并帮我写的演示程序。该功能已封装成.NET组件，可提供程序直接调用，近期提供下载。可用于大家收集语料时候网页内容提取之用。如对此组件有兴趣，请直接邮件...