新手提问,做一个Web 文本挖掘 开源程序的选择 Heritrix? WebLech? Web-Harvest?......

[size=large]我以前是学嵌入式的,本专业还没学深呢,导师让搞数据挖掘,还是Web的文本挖掘......

要做一个小项目,比如同仁、协和、301之类的知名医院,把他们的主任医师的信息爬下来,分类为内科、儿科、耳鼻喉...... 然后按姓名、出生年月,毕业院校,擅长治疗方向,和大体的介绍分门别类的抽取、入库,然后搞个展示界面显示出来,方便患者选择。

个人感觉像我这样的新手,本身在程序方面悟性又差,时间又紧,自己从头写代码估计会被导师吃了,都怕所里不让我毕业了,心里很焦虑啊。

在open-open上看到了十几个开源项目,不知道选哪个好?Heritrix? WebLech? Web-Harvest? 其他的? 或者就不该从open-open的开源程序里选?

请有空理会这个没有营养的烂帖的好心前辈们根据[color=blue]新手易上手,开发门槛低,能满足我前面说的项目要求[/color]的角度给个推荐!

太谢谢了!![/size]

4个回答

jsoup 是一个java操作html的类库
[url]www.jsoup.org[/url]
有例子的
jsoup的引用 直接把jsoup.jar拷贝到myeclipse中的项目目录下的web-inf/lib/下就可以了

Heritrix还不错,另外你的这个应该不是太复杂的,可以考虑httpclient+htmlparser的组合来爬取,效果非常好,api也非常方便。

[quote]非常感谢前辈的回答! 只虽然前期简单,但是后期可能还有新的要求,所以不知道用httpclient+htmlparser的方法来做对功能的扩展性是不是有所限制,能否满足将来的新需求? [/quote]
客气了,目前我所做的系统中有过挖掘 抓取的功能,目前情况是可以胜任。
看你的代码是否本身写的可以扩展咯。

jsoup包括抓取和解析, 用起来简单些,jsoup是java处理html和用jquery处理html一样简单,很容易上手的

Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!