怎么让爬虫智能的爬取网页的文章内容

相關問題：如何提取網頁正文

最近写了一个爬虫 都过正则来匹配一个文章的内容这样有些麻烦，每个网站都要写正则。
1，怎么智能的实现网页文章内容的爬取？需要怎么做？
eg:
http://www.cnbeta.com/articles/385387.htm
http://www.ifanr.com/512005
2，抓取完以后怎么提取文章的标签？用于后于后面的相似文章推荐。

回复内容：

相關問題：如何提取網頁正文

最近写了一个爬虫 都过正则来匹配一个文章的内容这样有些麻烦，每个网站都要写正则。
1，怎么智能的实现网页文章内容的爬取？需要怎么做？
eg:
http://www.cnbeta.com/articles/385387.htm
http://www.ifanr.com/512005
2，抓取完以后怎么提取文章的标签？用于后于后面的相似文章推荐。

第一個問題和已有問題重複：如何识别並提取网页正文？。

第二個問題我寫過簡單的分詞算法，順便把出現頻率高的詞作爲關鍵詞提取了。即便是非常簡單的算法，對大多數網頁效果也還不錯。

不過分詞算法有很多現成的，你可以搜；
關鍵詞提取有很多現成的，你可以搜。。。

第二問貌似也與已有問題重複。

我之前用php写过一个采集插件。你这个叫网页正文提取。

算法大概如下：

1、把网页分解成很多DOM块。
2、分解的dom块。你要用一定的标准去丢弃，排除。比如有些dom快里面，都是大堆的链接这个一般是列表。可以丢弃。还有 算出文本密度（文本/html）的比值。比如(span,p,a,font)等标签所占的百分比。等等，经过多重过滤，最终会留下不多的几个dom块。再按照一定的规则过滤掉。正确率会比较高。

最重要的一个值也可以作为参考，我在一篇论文里面看到，用一段文字里面的句号多少来判定。
如果一大段文字里面，句号出现很多，那这个dom快很可能是内容快。

我之前写过一个java版的爬虫（Gworm），提出一点拙见，如果随便给你一个网址，智能的提取出网页的文章部分还是很困难的（也不是没方法吧，要用到统计概率的方法，也不能做到百分之百正确）。所以我之前的方案是使用css选择器提取内容，而不自己手写正则表达式，一个网站的css样式名一般都是很稳定的，这样一来一个网站的所有文章只需要一个提取规则，而且你第二个问题，获取文章标签，使用css选择器也可以轻松解决。介于题主使用python爬取，我不清楚python有什么库可以提供对DOM进行css选择的功能，但我相信一定是有的，对应我使用java版css选择器是Jsoup。

更新：刚google一下“python css selector”一大把结果。看下这篇文章吧https://pythonhosted.org/cssselect/。

python中有 pyquery
php有 phpquery
都很方便用jquery语法处理，

python中有scrapy框架，很不错，还有一个scrapinghub的云平台，可以省掉你的很多工作；

至于抓取标签，就涉及分类和聚类算法，这里面就有很多选择了

数据量不大的话，用 readability 的 api，省事。

https://www.readability.com/developers/api/parser

建议不要用正则来做html解析，学习一下lxml，然后在chrome浏览器的开发这模式就可以复制对应DOM节点的xpath直接在lxml，省了很多事，而且lxml解析html，xml性能杠杠的