html文档中通常夹杂着各种广告,相关性链接等,提取正文比较困难。
pycetr是一个开源项目,用python语言实现了html文档的正文提取。算法基于文章
http://www.cs.uiuc.edu/~hanj/pdf/www10_tweninger.pdf
Content Extraction via Tag Ratios
基本思想是将html分成行,计算每行的文本内容和html tag的比值,显然比值越大的,更倾向于是正文内容,而不是广告神马的。
源代码在https://github.com/superisaac/pycetr
实验执行方法为
python -m cetr <url>
由于python的HTMLParser太不健壮,很多网站都无法执行,是件憾事。
pycetr是一个开源项目,用python语言实现了html文档的正文提取。算法基于文章
http://www.cs.uiuc.edu/~hanj/pdf/www10_tweninger.pdf
Content Extraction via Tag Ratios
基本思想是将html分成行,计算每行的文本内容和html tag的比值,显然比值越大的,更倾向于是正文内容,而不是广告神马的。
源代码在https://github.com/superisaac/pycetr
实验执行方法为
python -m cetr <url>
由于python的HTMLParser太不健壮,很多网站都无法执行,是件憾事。