网页正文及内容图片提取算法

[irainy]

→ Original post ←

问题：如何提取任意（尤其是新闻、资讯类）网页的正文内容，提取与文章内容相关的图片，源码可见：extractor.py。

抓取单个网站网页内容时通常采用正则匹配的方式，但不同网站之间结构千奇百怪，很难用统一的正则表达式进行匹配。《基于行块分布函数的通用网页正文抽取算法》的作者总结了一般从网页中提取文章正文的方法，提出基于行块分布的正文抽取算法，并给出了 PHP 、 Java 等实现。这一算法的主要原理基于两点：

1. 正文区密度：在去除 HTML 中所有 tag 之后，正文区字符密度更高，较少出现多行空白；
2. 行块长度：非正文区域的内容一般单独标签（行块）中较短。

算法步骤如下：

• 去除所有 tag ，包括样式、 Js 脚本内容等，但保留原有的换行符\n：

reCOMM = r'<!--.*?-->'
reTRIM = r'<{0}.*?>([\s\S]*?)<\/{0}>'
reTAG  = r'<[\s\S]*?>|[ \t\r\f\v]'

def processTags (body=""):
  body = re.sub (reCOMM, "", body )
  body = re.sub (reTRIM.format ("script"), "" ,re.sub (reTRIM.format ("style"), "", body ))
  body = re.sub (reTAG, "", body )
  return body

• 将网页内容按行分割，定义行块 $block_i$ 为第 $[i, i + blockSize]$ 行文本之和并给出行块长度基于行号的分布函数：

def processBlocks (body=""):
  ctexts = body.split ("\n")
  textLens = [len (text ) for text in ctexts]
  cblocks  = [0] * (len (ctexts ) - blockSize )

  lines = len (ctexts )
  for i in range (blockSize ):
    cblocks = list (map (lambda x,y: x+y, textLens[i : lines-1-blockSize+i], cblocks ))
  return cblocks

• 正文出现在最长的行块，截取两边至行块长度为 0 的范围：

def getContext (ctexts, cblocks ):
  maxTextLen = max (cblocks )

  start = end = cblocks.index (maxTextLen )
  while start > 0 and cblocks[start] > min (textLens ):
    start -= 1
  while end < lines - blockSize and cblocks[end] > min (textLens ):
    self.end += 1

  return "".join (ctexts[start:end])

• 如果需要提取正文区域出现的图片，只需要在第一步去除 tag 时保留<img>标签的内容：

reIMG  = re.compile (r'<img[\s\S]*?src=[\'|"]([\s\S]*?)[\'|"][\s\S]*?>')
def processImages (body ):
  return reIMG.sub (r'{{\1}}', body )

总结

以上算法基本可以应对大部分（中文）网页正文的提取，针对有些网站正文图片多于文字的情况，可以采用保留<img> 标签中图片链接的方法，增加正文密度。目前少量测试发现的问题有： 1 ）文章分页或动态加载的网页； 2 ）评论长度过长喧宾夺主的网页。

参考

• cx-extractor

• cix-extractor-py

[Tink]

有想法

[gamexg]

感觉多网页对比更清楚吧？
同一个网站 url 类似的布局应该一致，比较不同的部分就可以找到标题内容广告等块。

[jeremaihloo]

https://github.com/stanzhai/Html2Article
一直用这个

[irainy]

@jeremaihloo cool!

[piapia]

觉得印象笔记的 chrome 插件提取的很准确