有同学做爬虫爬类似新闻网站的网页数据，但是一直没有找到好的数据提取方式，我之前写爬虫时记得有一种提取方式比较准确、有效、快速处理。它就是《基于行块分布函数的通用网页正文抽取算法：cx-extractor》，作者陈鑫之前是哈工大信息检索研究中心的研究员，这篇算法论文也是那时候写的。
原文章找不到了，不过在谷歌的项目托管上找到了相关资料：https://code.google.com/archive/p/cx-extractor/。
CSDN 下载：https://download.csdn.net/download/yilovexing/85064917