深度剖析使用python抓取网页正文的源码

本方法是基于文本密度的方法,最初的想法来源于哈工大的《基于行块分布函数的通用网页正文抽取算法》,本文基于此进行一些小修改。

约定: 本文基于网页的不同行来进行统计,因此,假设网页内容是没有经过压缩的,就是网页有正常的换行的。

有些新闻网页,可能新闻的文本内容比较短,但其中嵌入一个视频文件,因此,我会给予视频较高的权重;这同样适用于图片,这里有一个不足,应该是要根据图片显示的大小来决定权重的,但本文的方法未能实现这一点。

由于广告,导航这些非正文内容通常以超链接的方式出现,因此文本将给予超链接的文本权重为零。

这里假设正文的内容是连续的,中间不包含非正文的内容,因此实际上,提取正文内容,就是找出正文内容的开始和结束的位置。

步骤:

首先清除网页中css,javascript,注释,meta,ins这些标签里面的内容,清除空白行。

计算每一个行的经过处理的数值(1)

计算上面得出的每行文本数的最大正子串的开始结束位置

其中第二步需要说明一下:

对于每一行,我们需要计算一个数值,这个数值的计算如下:

一个图片标签img,相当于出现长度为50字符的文本 (给予的权重),x1,

一个视频标签embed,相当于出现长度为1000字符的文本, x2

一行内所有链接的标签 a 的文本长度 x3 ,

其他标签的文本长度 x4

每行的数值 = 50 * x1其出现次数 + 1000 * x2其出现次数 + x4 – 8

//说明, -8 因为我们要计算一个最大正子串,因此要减去一个正数,至于这个数应该多大,我想还是按经验来吧。

完整代码

代码如下:

#coding:utf-8import re

def remove_js_css (content): “”” remove the the javascript and the stylesheet and the comment content (《script》….《script》 and ) “”” r = re.compile(r”””,”,s) return s.strip()

def remove_any_tag_but_a (s): text = re.findall (r”’]*>(.*?)”’,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”””,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”””,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])

代码 从最后一个函数开始调用。

Posted in 未分类

发表评论