网页正文及内容图片提取算法

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 blocki 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

  来自：http://blog.rainy.im/2015/09/02/web-content-and-main-image-extractor/ </li> </ul>