14 - Nastroj na extrakci textu z HTML stranek

• #14

HTML::Strip

•  http://search.cpan.org/~kilinrax/HTML-Strip-1.06/Strip.pm
• nepodporuje UTF-8

Boilerpipe

• Tool/boilerpipe
• Vystup je vzdy nasobkem 8192
• S vetsinou konfiguraci vraci prazdny text

DOMDocument

•  http://cz.php.net/domdocument.loadhtml
• snadne pouziti

Poznamky

• ropoznani entit neni uplne  snadne - v SGML nemusi koncit ;
•  http://www.ms.mff.cuni.cz/~majlm5am/strip-html/

Plan

• kdyz uz se bude pouzivat, tak by se z neho daly ziskat i odkazy