快捷導(dǎo)航

深度剖析使用python抓取網(wǎng)頁(yè)正文的源碼

更新時(shí)間：2014年06月11日 15:06:47 投稿：hebedich

平時(shí)打開一個(gè)網(wǎng)頁(yè)，除了文章的正文內(nèi)容，通常會(huì)有一大堆的導(dǎo)航，廣告和其他方面的信息。本文的目的，在于說(shuō)明如何從一個(gè)網(wǎng)頁(yè)中提取出文章的正文內(nèi)容，而過(guò)渡掉其他無(wú)關(guān)的的信息。

本方法是基于文本密度的方法，最初的想法來(lái)源于哈工大的《基于行塊分布函數(shù)的通用網(wǎng)頁(yè)正文抽取算法》，本文基于此進(jìn)行一些小修改。

約定：
本文基于網(wǎng)頁(yè)的不同行來(lái)進(jìn)行統(tǒng)計(jì)，因此，假設(shè)網(wǎng)頁(yè)內(nèi)容是沒有經(jīng)過(guò)壓縮的，就是網(wǎng)頁(yè)有正常的換行的。

有些新聞網(wǎng)頁(yè)，可能新聞的文本內(nèi)容比較短，但其中嵌入一個(gè)視頻文件，因此，我會(huì)給予視頻較高的權(quán)重；這同樣適用于圖片，這里有一個(gè)不足，應(yīng)該是要根據(jù)圖片顯示的大小來(lái)決定權(quán)重的，但本文的方法未能實(shí)現(xiàn)這一點(diǎn)。

由于廣告，導(dǎo)航這些非正文內(nèi)容通常以超鏈接的方式出現(xiàn)，因此文本將給予超鏈接的文本權(quán)重為零。

這里假設(shè)正文的內(nèi)容是連續(xù)的，中間不包含非正文的內(nèi)容，因此實(shí)際上，提取正文內(nèi)容，就是找出正文內(nèi)容的開始和結(jié)束的位置。

步驟：

首先清除網(wǎng)頁(yè)中CSS,Javascript,注釋，Meta,Ins這些標(biāo)簽里面的內(nèi)容，清除空白行。

計(jì)算每一個(gè)行的經(jīng)過(guò)處理的數(shù)值（1）

計(jì)算上面得出的每行文本數(shù)的最大正子串的開始結(jié)束位置

其中第二步需要說(shuō)明一下：

對(duì)于每一行，我們需要計(jì)算一個(gè)數(shù)值，這個(gè)數(shù)值的計(jì)算如下：

一個(gè)圖片標(biāo)簽img，相當(dāng)于出現(xiàn)長(zhǎng)度為50字符的文本（給予的權(quán)重），x1,

一個(gè)視頻標(biāo)簽embed，相當(dāng)于出現(xiàn)長(zhǎng)度為1000字符的文本, x2

一行內(nèi)所有鏈接的標(biāo)簽 a 的文本長(zhǎng)度 x3 ,

其他標(biāo)簽的文本長(zhǎng)度 x4

每行的數(shù)值 = 50 * x1其出現(xiàn)次數(shù) + 1000 * x2其出現(xiàn)次數(shù) + x4 – 8

//說(shuō)明， -8 因?yàn)槲覀円?jì)算一個(gè)最大正子串，因此要減去一個(gè)正數(shù)，至于這個(gè)數(shù)應(yīng)該多大，我想還是按經(jīng)驗(yàn)來(lái)吧。

完整代碼

復(fù)制代碼代碼如下:

#coding:utf-8
import re

def remove_js_css (content):
    """ remove the the javascript and the stylesheet and the comment content (<script>....</script> and <style>....</style> ) """
    r = re.compile(r'''<script.*?</script>''',re.I|re.M|re.S)
    s = r.sub ('',content)
    r = re.compile(r'''<style.*?</style>''',re.I|re.M|re.S)
    s = r.sub ('', s)
    r = re.compile(r'''''', re.I|re.M|re.S)
    s = r.sub('',s)
    r = re.compile(r'''<meta.*?>''', re.I|re.M|re.S)
    s = r.sub('',s)
    r = re.compile(r'''<ins.*?</ins>''', re.I|re.M|re.S)
    s = r.sub('',s)
    return s

def remove_empty_line (content):
    """remove multi space """
    r = re.compile(r'''^\s+$''', re.M|re.S)
    s = r.sub ('', content)
    r = re.compile(r'''\n+''',re.M|re.S)
    s = r.sub('\n',s)
    return s

def remove_any_tag (s):
s = re.sub(r'''<[^>]+>''','',s)
return s.strip()

def remove_any_tag_but_a (s):
    text = re.findall (r'''<a[^r][^>]*>(.*?)</a>''',s,re.I|re.S|re.S)
    text_b = remove_any_tag (s)
    return len(''.join(text)),len(text_b)

def remove_image (s,n=50):
    image = 'a' * n
    r = re.compile (r'''<img.*?>''',re.I|re.M|re.S)
    s = r.sub(image,s)
    return s

def remove_video (s,n=1000):
    video = 'a' * n
    r = re.compile (r'''<embed.*?>''',re.I|re.M|re.S)
    s = r.sub(video,s)
    return s

def sum_max (values):
    cur_max = values[0]
    glo_max = -999999
    left,right = 0,0
    for index,value in enumerate (values):
        cur_max += value
        if (cur_max > glo_max) :
            glo_max = cur_max
            right = index
        elif (cur_max < 0):
            cur_max = 0

    for i in range(right, -1, -1):
        glo_max -= values[i]
        if abs(glo_max < 0.00001):
            left = i
            break
    return left,right+1

def method_1 (content, k=1):
    if not content:
        return None,None,None,None
    tmp = content.split('\n')
    group_value = []
    for i in range(0,len(tmp),k):
        group = '\n'.join(tmp[i:i+k])
        group = remove_image (group)
        group = remove_video (group)
        text_a,text_b= remove_any_tag_but_a (group)
        temp = (text_b - text_a) - 8
        group_value.append (temp)
    left,right = sum_max (group_value)
    return left,right, len('\n'.join(tmp[:left])), len ('\n'.join(tmp[:right]))

def extract (content):
    content = remove_empty_line(remove_js_css(content))
    left,right,x,y = method_1 (content)
    return '\n'.join(content.split('\n')[left:right])

代碼從最后一個(gè)函數(shù)開始調(diào)用。

您可能感興趣的文章: