Textractor

An efficient class library for extracting text from HTML.

一个高效的从HTML中提取正文的类库。

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。

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

1. 安装包文件

   composer require "mylukin/textractor:dev-master"

2. 添加 ServiceProvider 到您项目 config/app.php 中的 providers 部分:

   Lukin\Textractor\TextractorServiceProvider::class,

3. 创建配置文件:

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

   然后请修改 config/textractor.php 中对应的项即可。

使用

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

License

MIT

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