Alternatives and similar repositories for ContentExtractor

Users that are interested in ContentExtractor are comparing it to the libraries listed below

• ysc / HtmlExtractor
  HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件。
  ☆155Updated 6 years ago
• zongtui / zongtui-webcrawler
  基于hadoop思维的分布式网络爬虫。
  ☆86Updated 9 years ago
• xautlx / nutch-htmlunit
  基于Apache Nutch和Htmlunit的扩展实现AJAX页面爬虫抓取解析插件
  ☆122Updated 10 years ago
• CrawlScript / nutcher
  nutcher是中文的nutch文档，包含nutch的配置和源码解析，持续更新中。
  ☆130Updated 5 years ago
• qwIvan / 5184CAPTCHA
  识别5184验证码
  ☆79Updated 9 years ago
• hankcs / TextRank
  TextRank算法提取关键词的Java实现
  ☆203Updated 10 years ago
• yinchuandong / JavaVerify
  A Java CAPTCHA recognition library for sticky characters
  ☆208Updated 10 years ago
• xautlx / nutch-ajax
  Apache Nutch Plugins for AJAX page fetch, parse, index
  ☆87Updated 7 years ago
• letcheng / ProxyPool
  针对反爬虫问题的自动代理池组件
  ☆78Updated 8 years ago
• NLPchina / SinaMicroBlogCrawl
  新浪微博模拟登陆2014-04-01版
  ☆22Updated 11 years ago
• QiuMing / zhihuWebSpider
  知乎爬虫，基于webmagic框架 .A java web spider base on webmagic.
  ☆69Updated 9 years ago
• DianaCody / Spider_SinaTweetCrawler_java
  Spider_SinaTweetCrawler, to crawl tweet content from sinaTweet. (java)
  ☆23Updated 8 years ago
• iamxiatian / xsimilarity
  相似度计算软件包
  ☆190Updated last year
• shirdrn / document-processor
  Document preprocessing for preparing formatted input data which is suitable for LibSVM tool.
  ☆50Updated 8 years ago
• shenbaise / goodcrawler
  网络爬虫
  ☆51Updated 11 years ago
• gsh199449 / DistributeCrawler
  基于Map/Reduce爬虫,可抽取各大新闻网站的新闻正文并进行分类和聚类
  ☆77Updated 11 years ago
• luohaha / jlitespider
  A lite distributed Java spider framework :-)
  ☆145Updated 8 years ago
• awnuxkjy / recommend-system
  recommend system study
  ☆67Updated 11 years ago
• NLPchina / nlp_china_web
  nutz+jetty+h2 做的一个web应用
  ☆40Updated 8 years ago
• qingyu1229 / XSExtractor
  提取新闻、博客等长文本网页的正文工具
  ☆41Updated 9 years ago
• wgybzbrobot / sentiment-search
  舆情搜索服务框架，其中lucene和solr版本为4.8。
  ☆61Updated 9 years ago
• ml-distribution / analyzer-profile
  多种分词器的封装，重点修改了原IK/MMSeg4j分词器，增加分词器对象共享池和Lucene/Solr封装，其中Lucene/Solr版本为5.5.0。
  ☆30Updated 8 years ago
• kanxg / fengchao
  蜂巢爬虫系统 是一套只需要定义XPath，就可实现爬取网站,APP的系统, 支持多种解析方式（XPath,正则表达式），多种下载方式（HttpClient库, PhantomJs, Selenium）,多种输出方式（Excel，MongoDB）。 可不做任何修改发布到Yar…
  ☆5Updated 8 years ago
• doushini / lucene
  lucene实现web项目近实时搜索【solr和NRTManager、SearcherManager】
  ☆65Updated 9 years ago
• l294265421 / cx-extractor-1.1
  《基于行块分布函数的通用网页正文抽取》算法的Java实现；算法代码来源于该算法附带的开源实现，不过接下可能会对之修改。
  ☆15Updated 9 years ago
• badaozhai / wechat_webdriver_spider
  java 基于selenium抓取搜狗微信公众号文章
  ☆50Updated 9 years ago
• ml-distribution / semantic-similarity
  语义、情感、相似度分析。
  ☆58Updated 9 years ago
• ysc / rank
  rank是一个seo工具，用于分析网站的搜索引擎收录排名。
  ☆67Updated 8 years ago
• yizhiru / thulac4j
  Chinese Word Segmentation Tool, THULAC的Java实现.
  ☆84Updated 4 years ago
• HIT-SCIR / ltp4j
  ltp4j: Language Technology Platform For Java
  ☆161Updated 4 years ago