随着互联网的兴起，网页抓取已经被越来越多的人所应用，可以用来做各种白色的，黑色的，灰色的程序。对于分析而言，有价值的信息是正文部分，大多数情况下，为了便于分析，需要将网页中和正文不相干的部分给剔除。可以说正文提取的好坏，直接影响了分析结果的好坏。
网页提取主要有三个方面：
1、搜集新出现的网页;
2、搜集那些在上次搜集后有改变的网页;
3、发现自从上次搜集后已经不再存了的网页，并从库中删除。
系统是一款专业的离线浏览器，能够快速、准确地从网络抓取数据并保存到本地，实现离线浏览的目的。它可以从Internet的任何地方抓回你想要的任何文件，它可以在你指定的时间自动登录到你指定的网站你指定的内容，你还可以用它来创建某个网站的完整的镜象，作为创建你自己的网站的参考。
系统能够实现HTML格式的精确分析，自动分辨出网页是属于索引页面还是内容页面。对于内容页面，能够高效剔除HTML标签和导航、广告等干扰性文字，返回实际有价值的正文内容。特别适用于大规模互联网信息的高效预处理和分析。
灵玖基于统计分布规律模型判定网页的特征，所适用的网页不受类型和领域的限制，不需要配置抽取规则，能够全自动地对海量互联网页信息进行高效处理。
Nlpir Parser大数据智能平台是网络搜索、自然语言理解和文本挖掘的技术开发的基础工具集，开发平台由多个中间件组成，各个中间件API可以无缝地融合到客户的各类复杂应用系统之中，可兼容Windows，Linux，FreeBSD等不同操作系统，可以供Java，C，C#等各类开发语言使用。
