从网页上删除噪音

Question

我正在尝试从网页上删除噪音。但由于我是新手，所以我不知道从哪里开始。 所以，如果有人能给我任何关于如何做的信息，那将非常有帮助。

噪音 - 链接，版权声明等。

Sudhanshu

Answer 1

Boilerpipe看起来就像你要求的那样：http://code.google.com/p/boilerpipe/

  

samppipe库提供了检测和删除的算法   主要文本周围的剩余“混乱”（样板，模板）   网页内容。

     

图书馆已经为常见任务提供了具体的策略（for   例如：新闻文章提取）也可以轻松扩展   个别问题设置。