网页去噪，获取网页正文相关开源项目

转载自：http://blog.csdn.net/cscmaker/article/details/8841198

（1）网页去噪

         网页去噪需要去掉与网页内表达内容不相关的文字，如广告，评论等等。现在对于博客、新闻类的网页去噪已经有很多的应用，比如常用的印象笔记、有道笔记就用到了相关的技术。

         因为项目的需要，也需要对网页进行去噪，留下有用的内容。所以在网上找了相关的网页去噪的开源项目。

（2）参考链接

        主要参考的链接是这篇“网页正文抽取工具”， 应该是抓取的新浪weibo上的相关的微博内容。里面介绍了给出了项目的地址，有Java、C++、C#、Perl、Python的。

   因为项目是Python写的，所以初步选定使用 Decruft ， Python readability ，  Python boilerpipe ，Pyhon Goose这几种。

（3）实践操作

        Python readability的使用：

[python]  view plain copy

1. from readability.readability import Document  
2.     import urllib  
3.     html = urllib.urlopen(url).read()  
4.     readable_article = Document(html).summary()  
5.     readable_title = Document(html).short_title()  

      最后抽取出来的readable_article是带HTML标签的文本。还需要进行clean html操作。如果需要得到纯文本内容，还需要做其他工作

      “decruft is a fork of python-readability to make it faster. It also has some logic corrections and improvements along the way.”  （引自：http://www.minvolai.com/blog/decruft-arc90s-readability-in-python/）

        decruft是Python readability的fork版本，其主要提高了readability的速度。decruft的源码是放在Goolge上的，发现他只有0.1版本，而且是10年9月的，但是Python-readability一直在更新的，其核心的readability.py是7个月前更新的，所以不能保证decruft的性能要比现在的readability好，我没有下载decruft进行试验，有兴趣可以自己试验一下。

         Python-boilerpipe：是Boilerpipe的Python版本的Warpper，在使用的时候需要依赖jpype, chardet.  在构造Extractor的时候可以定制自己需要的抽取器，具体有：

[python]  view plain copy

1. DefaultExtractor  
2. ArticleExtractor  
3. ArticleSentencesExtractor  
4. KeepEverythingExtractor  
5. KeepEverythingWithMinKWordsExtractor  
6. LargestContentExtractor  
7. NumWordsRulesExtractor  
8. CanolaExtractor  

       这个项目可以自己选择抽取出的正文内容格式：可以是纯文本的，也可以是携带HTML的。

       Python-Goose：

        经过试验，决定使用Goose，可以在这个网址上测试 http://jimplush.com/blog/goose Goose的抽取效果。Goose还能够获得Meta description。

        Goose最后可以获得抽取后的纯文本。