求对 html 进行渲染与布局，输出元素相对位置的分析库

[s82kd92l]

背景

目前正在做一些对网页进行分类、关键信息提取之类的机器学习模型。我们之前的做法是对网页进行自动截图，然后用 ocr 的方式提取每一个文本框的内容，以及在图中的相对位置，然后交给下游模型。但这样做就经历了 html 文字->图片 ->ocr 文字的过程，有点脱裤子放屁，而且还有很多信息损失.

问题

是否有一个工具或者类库，能以 html 为输入，输出 render tree 上面所有需要 render 的的文本内容 /图片，以及它们在整个 html 中的相对位置，比如 {"text": "Text 1", "x_pos": 30%, "y_pos":50%}这样的？

尝试调研了一下 rendertron/Puppeteer ，但我主要写 python 的，看不大懂它的 api,以及如果要达到我想要的效果应该怎么用，各位大佬有什么建议吗？

[SenLief]

这是不是就是 html 解析？ bs xpath 都是做这个吧。

[chendy]

试试 webdriver ？

[cansiny0320]

建议还是使用 Puppeteer ，你需要输出元素相对位置的话肯定需要浏览器分析 css 渲染 dom 的

[ch2]

Puppeteer 已经是最优解了

[s82kd92l]

@chendy
@cansiny0320
@ch2
多谢了，webdriver 和 Puppeteer 好像都有类似的目的，哪个用起来上手容易点，更方便些呢？

[s82kd92l]

https://github.com/litehtml/litehtml 这个库怎么样呢？

[amlee]

https://github.com/GeneralNewsExtractor/GeneralNewsExtractor

这个项目好像跟你的目的有相关性，不知道对你有用没有。

[learningman]

你直接无头浏览器渲染，然后传个 js 进去读 position 不就完事了