搜索资源列表
webharvest1-project
- Web-Harvest是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有用的数据。Web-Harvest主要是运用了像XSLT,XQuery,正则表达式等这些技术来实现对text/xml的操作
PDFBox-0.6.7a
- 采用java编写的处理PDF文档的程序，可从PDF文档中抽取txt文本，可与lucene搜索引擎相结合。-adopting the java programs compiled to dispose the PDF document, taking out the txt text from the PDF document, and combining with the lucene searcher.
datascraper_zh
- DataScraper是网页信息提取（抽取）工具箱MetaSeeker中的一个工具，可以提取任何网站，为一个网站定制提取规则时不用编程，操作GUI，规则自动生成。适合做 1. 垂直搜索（或称为专业搜索）服务 2. 信息汇聚和门户服务 3. Mashup服务 4. 企业网信息汇聚 5. 商业情报采集 6. 论坛或博客迁移 7. 智能信息代理 8. 个人信息检索 9. 信息挖掘 有多个版本可以共享下载，下载完整工具箱，请访问：http:
joyhtml-0.2.2
- html正文提取，利用匹配来进行正文的抽取-html text extraction, the use of matching to carry out the extraction of the body
PageContent
- 根据标点符号抽取正文的C语言源程序，非常有个性的方式-According punctuation extracting text
spider
- 网络爬虫程序、针对主流新闻网站进行信息抽取-Web crawlers for information extraction mainstream news sites