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
reCOMM = r'<!--.*?-->'  
reTRIM = r'<{0}.*?>([\s\S]*?)<\/{0}>'  
reTAG  = r'<[\s\S]*?>|[ \t\r\f\v]'

def processTags(body=""):  
  body = re.sub(reCOMM, "", body)
  body = re.sub(reTRIM.format("script"), "" ,re.sub(reTRIM.format("style"), "", body))
  body = re.sub(reTAG, "", body)
  return body
  • 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:
def processBlocks(body=""):  
  ctexts = body.split("\n")
  textLens = [len(text) for text in ctexts]
  cblocks  = [0] * (len(ctexts) - blockSize)

  lines = len(ctexts)
  for i in range(blockSize):
    cblocks = list(map(lambda x,y: x+y, textLens[i : lines-1-blockSize+i], cblocks))
  return cblocks
  • 正文出现在最长的行块,截取两边至行块长度为 0 的范围:
def getContext(ctexts, cblocks):  
  maxTextLen = max(cblocks)

  start = end = cblocks.index(maxTextLen)
  while start > 0 and cblocks[start] > min(textLens):
      start -= 1
  while end < lines - blockSize and cblocks[end] > min(textLens):
    self.end += 1

  return "".join(ctexts[start:end])
  • 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:
reIMG  = re.compile(r'<img[\s\S]*?src=[\'|"]([\s\S]*?)[\'|"][\s\S]*?>')  
def processImages(body):  
  return reIMG.sub(r'{{\1}}', body)

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

Python, 算法

- END -



侧栏导航