python 正文內容擷取

平常打開一個網頁，除了文章的正文內容，通常會有一大堆的導航，廣告和其他方面的資訊。本部落格的目的，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資訊。

本方法是基於文字密度的方法，最初的想法來自哈工大的《基於行塊分佈函數的通用網頁正文抽取演算法》，本文基於此進行一些小修改。

 

約定：

       本文以網頁為基礎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，可能新聞的文字內容比較短，但其中嵌入一個視訊文件，因此，我會給予影片較高的權重；這同樣適用於圖片，這裡有一個不足，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連結的方式出現，因此文字將給予超連結的文字權重為零。

       這裡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：

       先清除網頁中CSS,Javascript,註釋，Meta,Ins這些標籤裡面的內容，清除空白行。

       計算每行的經過處理的數值（1）

       計算上面所得到的每行文字數的最大正子對於每一行，我們需要計算一個數值，這個數值的計算如下：

              一個圖片標籤img，相當於出現長度為50字的文字 （給予的權重相當於出現長度為1000字元的文字, x2

              使用中所有連結的標籤 a 的文字長度 x3 ,

                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。

 

完整程式碼

#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&#39;&#39;&#39;<script.*?</script>&#39;&#39;&#39;,re.I|re.M|re.S)
    s = r.sub (&#39;&#39;,content)
    r = re.compile(r&#39;&#39;&#39;<style.*?</style>&#39;&#39;&#39;,re.I|re.M|re.S)
    s = r.sub (&#39;&#39;, s)
    r = re.compile(r&#39;&#39;&#39;<!--.*?-->&#39;&#39;&#39;, re.I|re.M|re.S)
    s = r.sub(&#39;&#39;,s)
    r = re.compile(r&#39;&#39;&#39;<meta.*?>&#39;&#39;&#39;, re.I|re.M|re.S)
    s = r.sub(&#39;&#39;,s)
    r = re.compile(r&#39;&#39;&#39;<ins.*?</ins>&#39;&#39;&#39;, re.I|re.M|re.S)
    s = r.sub(&#39;&#39;,s)
    return s
def remove_empty_line (content):
    """remove multi space """
    r = re.compile(r&#39;&#39;&#39;^\s+$&#39;&#39;&#39;, re.M|re.S)
    s = r.sub (&#39;&#39;, content)
    r = re.compile(r&#39;&#39;&#39;\n+&#39;&#39;&#39;,re.M|re.S)
    s = r.sub(&#39;\n&#39;,s)
    return s
def remove_any_tag (s):
    s = re.sub(r&#39;&#39;&#39;<[^>]+>&#39;&#39;&#39;,&#39;&#39;,s)
    return s.strip()
def remove_any_tag_but_a (s):
    text = re.findall (r&#39;&#39;&#39;<a[^r][^>]*>(.*?)</a>&#39;&#39;&#39;,s,re.I|re.S|re.S)
    text_b = remove_any_tag (s)
    return len(&#39;&#39;.join(text)),len(text_b)
def remove_image (s,n=50):
    image = &#39;a&#39; * n
    r = re.compile (r&#39;&#39;&#39;<img.*?>&#39;&#39;&#39;,re.I|re.M|re.S)
    s = r.sub(image,s)
    return s
def remove_video (s,n=1000):
    video = &#39;a&#39; * n
    r = re.compile (r&#39;&#39;&#39;<embed.*?>&#39;&#39;&#39;,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(&#39;\n&#39;)
    group_value = []
    for i in range(0,len(tmp),k):
        group = &#39;\n&#39;.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(&#39;\n&#39;.join(tmp[:left])), len (&#39;\n&#39;.join(tmp[:right]))
def extract (content):
    content = remove_empty_line(remove_js_css(content))
    left,right,x,y = method_1 (content)
    return &#39;\n&#39;.join(content.split(&#39;\n&#39;)[left:right])

程式碼 從最後一個函數開始呼叫。