Rumah > Soal Jawab > teks badan
火车头有一个正文提取器,而且不少的采集软件都有这个东西,但是就是一直不知道这些东西到底是怎么实现的?
或是有高人说下实现的原理是多少?
比如步骤?
或是如何用python来实现,可以举个简单的例子
PHP中文网2017-04-18 09:05:01
比较针对性的,可以使用p,article这些标签来简单判断。如果需要普遍一点的,可以对采集的网页数据进行分析,比如写一个算法计算中文(非标签文字)的密集性来判断是不是正文。具体没做过,但是思路基本是这样。
PHP中文网2017-04-18 09:05:01
HTTP协议模拟,(通常用request,urllib2模块)
信息提取(由于HTML文档特殊性,一般会用xpath,beautifulsoup)