网页正文及内容图片提取算法

问题:如何提取任意(尤其是新闻、资讯类)网页的正文内容,提取与文章内容相关的图片,源码可见:extractor.py

抓取单个网站网页内容时通常采用正则匹配的方式,但不同网站之间结构千奇百怪,很难用统一的正则表达式进行匹配。《基于行块分布函数的通用网页正文抽取算法》的作者总结了一般从网页中提取文章正文的方法,提出基于行块分布的正文抽取算法,并给出了 PHP 、Java 等实现。这一算法的主要原理基于两点:

  1. 正文区密度:在去除HTML中所有tag之后,正文区字符密度更高,较少出现多行空白;
  2. 行块长度:非正文区域的内容一般单独标签(行块)中较短。

算法步骤如下:

  • 去除所有tag,包括样式、Js脚本内容等,但保留原有的换行符 \n :
  • 将网页内容按行分割,定义行块 block i 为第 [i,i+blockSize] 行文本之和并给出行块长度基于行号的分布函数:
  • 正文出现在最长的行块,截取两边至行块长度为 0 的范围:
  • 如果需要提取正文区域出现的图片,只需要在第一步去除tag时保留<img>标签的内容:

    总结

    以上算法基本可以应对大部分(中文)网页正文的提取,针对有些网站正文图片多于文字的情况,可以采用保留<img> 标签中图片链接的方法,增加正文密度。目前少量测试发现的问题有:1)文章分页或动态加载的网页;2)评论长度过长喧宾夺主的网页。

    参考

1 1 收藏 评论

相关文章

可能感兴趣的话题



直接登录
跳到底部
返回顶部