正文一般应该是网页中最长的部分，如何抽取正文，这部分是最为核心的。因为如果不能很好的提取原有文章的内容和样式，那么搜索出来的东西就会惨不忍睹．根本就没有使用价值。
在做正文抽取模块之前曾经参考过很多抽取模式，有配置模版的，有搞视觉匹配的．有搞关键字识别的．挨个做了分析首先配置摸版是不太现实的，因为在搜索技术资讯的时候，根本不知道会搜索到哪个网站，也根本没精力去配置摸版。所以这个行不通。基于视觉效果的分析，这个难度比较大，而且只适合于规范的网站，而现在很多网站根本不规范，广告链接漫天飞．人家都把最好的位置留给广告了．而且我一直怀疑这个模式的可行性，它只是一个善意的推测．所以这方面没做过多尝试。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
目前互联网上公布出来的正文提取算法，大家可以综合比较下，一起来测试下哪个更好用。
词网--北京词网科技有限公司
http://demo.cikuu.com/cgi-bin/cgi-contex
猎兔网页正文提取
http://www.lietu.com/extract/
PHP版网页正文提取
http://www.woniu.us/get_content_demo/
网页正文提取分析(DEMO)
http://61.128.196.27/txt
个人认为http://61.128.196.27/txt 这个提取最牛，基本上无论什么页面都能提取出来，而且能有效的保持原文风格、图片、链接。
[返回] 中文XML论坛 - 专业的XML技术讨论区 →
计算机技术与应用 → 『 Web挖掘技术 』 → 目前互联网上公布出来的正文提取算法，大家可以综合比较下
(订阅本版)
2010/4/16 12:02:00
新浪微博
目前互联网上公布出来的正文提取算法，大家可以综合比较下
