Esta es la aplicación para Linux llamada unfluff, cuya última versión se puede descargar como node-unfluffv3.2.0sourcecode.tar.gz. Se puede ejecutar en línea en el proveedor de alojamiento gratuito OnWorks para estaciones de trabajo.
Descarga y ejecuta online gratis esta aplicación llamada unfluff con OnWorks.
Siga estas instrucciones para ejecutar esta aplicación:
- 1. Descargue esta aplicación en su PC.
- 2. Ingrese en nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 3. Cargue esta aplicación en dicho administrador de archivos.
- 4. Inicie el emulador en línea OnWorks Linux o Windows en línea o el emulador en línea MACOS desde este sitio web.
- 5. Desde el SO OnWorks Linux que acaba de iniciar, vaya a nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 6. Descarga la aplicación, instálala y ejecútala.
CAPTURAS DE PANTALLA:
desenredar
DESCRIPCIÓN:
Unfluff es una biblioteca de Node.js diseñada para extraer automáticamente el contenido principal de un documento HTML, eliminando barras de navegación, anuncios, pies de página y otros elementos repetitivos para dejar solo el contenido principal, los metadatos (título, autor, fecha) y otros campos útiles. Es una herramienta ideal para el análisis de contenido, el web scraping, la creación de conjuntos de datos o la reutilización del texto de artículos para su posterior procesamiento (como aprendizaje automático o resumen). Su API es sencilla: se introduce HTML sin procesar y devuelve un objeto estructurado con el texto extraído y otros campos. Permite almacenar en caché las representaciones internas para acelerar las extracciones repetidas. Si bien su compatibilidad lingüística es óptima para el inglés, se utiliza ampliamente en flujos de trabajo de procesamiento de contenido web. El repositorio señala algunas limitaciones (por ejemplo, idiomas como el chino, el árabe o el coreano pueden no tener una compatibilidad óptima). Gracias a su simplicidad y enfoque específico, puede ser un componente fiable en servicios de backend o herramientas de línea de comandos.
Caracteristicas
- Extrae el contenido textual principal (cuerpo) de un documento HTML.
- Analiza y devuelve metadatos (título, autor, fecha, detección de idioma, etc.).
- Almacena en caché las representaciones intermedias para mejorar el rendimiento al extraer múltiples campos.
- Compatibilidad con CLI/módulos: puede instalarse globalmente o utilizarse mediante programación.
- Adecuado para la creación de conjuntos de datos, extracción de datos de artículos y flujos de trabajo de republicación.
- De código abierto bajo licencia Apache-2.0, fácil de integrar en pilas Node.js.
Categorías
Esta aplicación también se puede descargar desde https://sourceforge.net/projects/unfluff.mirror/. Está alojada en OnWorks para que pueda ejecutarse en línea de la forma más sencilla desde uno de nuestros sistemas operativos gratuitos.