我需要识别页面中的内容 - 这样做http://www.alchemyapi.com/api/text/（我需要获取HTML，因此我无法使用此API）
我可以用什么逻辑来实现这个目标？ （编码语言没关系）
这里我所做的（效果很好） - 需要更多修复......
答案 0 :(得分：3)
寻找the Boilerpipe library。这是一个全面的解决方案。
使用Boilerpipe库，您可以将输出指定为HTML。因此，您仍然可以保留其HTML标记，从而获得主要内容（文章）。
答案 1 :(得分：2)
另一个好的选择是使用Goose。
它允许比Boilerpipe（标题，内容）更多的字段（发布日期，作者，文章中的主要图像和更多内容）
答案 2 :(得分：0)
你需要一个解析器来导航DOM，在NuGet包中你可以找到一些有用的解析器工具，比如this