这是一个创建于 3007 天前的主题，其中的信息可能已经有所发展或是发生改变。
URL2io.com — 提供简单、强大的网页正文提取服务
今天给大家分享的是一个网页正文提取服务 URL2Article ，主页地址：http://www.url2io.com
URL2Article 服务提供 RESTful API 接口，用来提取并解析网页中的正文区域，实现网页正文提取、标题提取、发布日期提取、下一页链接提取等。
功能列表
- 标题识别：
不仅仅是简单地提取 title 标签，而是智能识别网页正文的标题。
- 正文识别：
提取的内容将不含有任何广告、导航和其他非正文内容。网页正文中的所有链接、图片和其他媒体将予以保留。
- 发布日期识别：
智能识别文章的发布日期。
- 下一页链接识别：
智能识别当前网页的下一页链接。因为一篇完整的文章会被分成多个页面，所以这个功能会非常有用。
Demo
demo 地址：点这测试效果。
API 使用文档
可以查看相关文档 (URL2Article API doc) 来了解如何使用。
示例应用
为了让大家近一步了解这项服务，我们写了一个教学示例 Pageless， 它使用 URL2Article API 来提取网页正文，并自动将被分成多页的文章合并成一页。
演示地址, 代码在 Github: url2io-app-samples
Feedback
That's all. 希望有兴趣的童鞋可以试用一下，然后给点反馈（使用中出现的问题、会用来开发什么、意见和建议等都可以）。 欢迎留言讨论，或者 url2#sina.com ，或者 QQ 用户群： 341180183
第 1 条附言 · 2016-10-27 11:45:23 +08:00
近期的一些更新：（2016-10-02 ～2016-10-27）
根据大家的反馈和讨论做了大量更新，包括算法优化、新特性支持、其他更新等。
优化 (Breaking Changes)： —— URL2Article
- 针对正文上卷问题做了优化
- 运行速度优化
新特性 (New Features)：—— URL2Article
- 对于
<img>标签会保留全部属性，方便之后的处理。 - 支持惰性图片解析，智能识别正文中的惰性图片，并自动将图片地址解析为真实地址。
现有功能列表：
其他更新 (Other Changes)：
- 在文档中心添加了 Quickstart ，提供多种编程语言（Python、NodeJS、PHP、Ruby ...）和工具（Curl ...）的使用示例，方便大家快速（约 20 秒）上手。
- 新增 PHP SDK：url2io-phpsdk ，由 @ety001 提供，十分感谢！
- 对于用 js 渲染内容的动态页面，在 UA 中使用兼容搜索引擎蜘蛛的特征串可以抓取到网页的静态版（感谢 @blueset 提供的思路），不过此方法的稳定性还在测试中，所以此次更新暂时还不能提供 -_-
That‘s all. 非常感谢大家的反馈和讨论，URL2io 的成长离不开热心朋友的关注与支持。 欢迎继续留言讨论，或者 url2#sina.com ，或者 QQ 用户群： 341180183，或者 Github Issues，或者关注微薄 @url2io
第 2 条附言 · 2018-01-28 11:43:10 +08:00
URL2io Enterprise 服务发布
URL2io Enterprise 是 URL2io 的本地部署版本，您可以在自己的环境中进行安装部署和管理。
目前包含了 URL2Article 服务（用来提取并解析网页中的正文区域，实现网页正文提取、标题提取、下一页链接提取等。）
 |
101
omg21 2017-06-10 13:36:52 +08:00
这个正文提取是什么思路？
|
 |
102
URL2io OP |
Select Language