按示例學python：使用python抓取網頁正文

平時打開一個網頁，除了文章的正文內容，通常會有一大堆的導航，廣告和其他方面的信息。本博客的目的，在於說明如何從一個網頁中提取出文章的正文內容，而過渡掉其他無關的的信息。 

這里先看看 demo : http://2.tingxinwen.duapp.com/extract_context 

本方法是基於文本密度的方法，最初的想法來源於哈工大的《基於行塊分布函數的通用網頁正文抽取算法》，本文基於此進行一些小修改。

 

約定：

       本文基於網頁的不同行來進行統計，因此，假設網頁內容是沒有經過壓縮的，就是網頁有正常的換行的。

       有些新聞網頁，可能新聞的文本內容比較短，但其中嵌入一個視頻文件，因此，我會給予視頻較高的權重；這同樣適用於圖片，這里有一個不足，應該是要根據圖片顯示的大小來決定權重的，但本文的方法未能實現這一點。

       由於廣告，導航這些非正文內容通常以超鏈接的方式出現，因此文本將給予超鏈接的文本權重為零。

       這里假設正文的內容是連續的，中間不包含非正文的內容，因此實際上，提取正文內容，就是找出正文內容的開始和結束的位置。      

步驟：

       首先清除網頁中CSS,Javascript,注釋，Meta,Ins這些標簽里面的內容，清除空白行。

       計算每一個行的經過處理的數值（1）

       計算上面得出的每行文本數的最大正子串的開始結束位置 

其中第二步需要說明一下：

       對於每一行，我們需要計算一個數值，這個數值的計算如下：

              一個圖片標簽img，相當於出現長度為50字符的文本 （給予的權重），x1,

              一個視頻標簽embed，相當於出現長度為1000字符的文本, x2

              一行內所有鏈接的標簽 a 的文本長度 x3 ,

              其他標簽的文本長度 x4

              每行的數值 = 50 * x1其出現次數 + 1000 * x2其出現次數 + x4 – 8

        //說明， -8 因為我們要計算一個最大正子串，因此要減去一個正數，至於這個數應該多大，我想還是按經驗來吧。 

完整代碼

 

#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> <!-- xxx -->) """
    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 從最后一個函數開始調用。