c++ - 索引html的文本内容

Question

我想从 html 文件中提取文本以进行索引，并尽可能快地这样做。我不想从头开始创建东西，而是想看看我能找到多少已经为我完成的事情。

目前我只是在输出 html2text 的输出，它可以工作，但是在 python 和试图美化文本之间，我确信速度可以提高。

那么，以 Linux/unix 为优先，哪些 (c/c++) 库最适合此类任务？

Answer 1

要提取文本，您可以使用 HTML 解析器，如htmlcxx或libxml。您还可以在整理HTML 后使用任何 XML 库。为了索引文本，您可以使用CLucene。