正文抽取算法：
1.Html2Article ：http://www.cnblogs.com/jasondan/p/3497757.html
2.基于行块分布函数的网页正文抽取算法代码实现https://blog.csdn.net/leiguang55555/article/details/51959646
源码下载:
https://blog.csdn.net/red4711/article/details/6365087
其他：
1.URL2io 提供网页信息提取服务

http://blog.url2io.com/url2io-app-samples/pageless/

2.readability

https://github.com/luin/readability

3.arex

https://github.com/ahkimkoo/arex

4.Html2Article

http://www.cnblogs.com/jasondan/p/3497757.html