网页爬虫 - python采集百度新闻的原理是什么?

Question

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

Answer 1

来源地址：http://www.cnblogs.com/jasondan/p/3497757.html

Answer 2

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。

Answer 3

1. HTTP协议模拟,(通常用request,urllib2模块)

2. 信息提取(由于HTML文档特殊性,一般会用xpath,beautifulsoup)