例如:http://qnzz.youth.cn/yw/201802/t20180202_11369806.htm
去掉MaxTextContentExtractor.TEXT_TAGS中的"ul"有所改善
这个不能随便去,你可以试试另外一种算法:)
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。
@红薯 两种算法默认都不行。
@野生虾米菌 这个项目的意义在于,当你在写爬虫的时候,如果对方的网站你没有抓取的规则,那么可以用 HtmlSucker 来补充
登录 后才可以发表评论