网页正文提取算法介绍

查找发现了两个比较好的网页正文提取算法：

1. 国内：哈工大的《基于行块分布函数的通用网页正文抽取》该算法开源网址为http://code.google.com/p/cx-extractor/，效果为亲测，文章中呈准确率95%以上，对1000个网页抽取耗时21.29秒。看了文章感觉不错，无需html解析，效率应该会高些。
2. 国外：大名鼎鼎的arc90实验室的Readability，该算法已经商业化实现了firefox,chrome插件，及flipboard，并且已经集成进了safari浏览器。未详细测试，大致测试感觉准确率应该至少在90%以上。该算法需要解析DOM树，因此稍执行效率稍微慢一些。大致过程为，先解析DOM树，所有标签小写。然后去除所有“script”标签内容，再通过一对正则表达式的配合提取。具体算法还未看。其插件中包含算法JAVASCRIPT源码。有热心人士已将其用c#和php实现，源码地址如下:
   1. 官方网站http://www.readability.com/
   2. c#实现一：https://github.com/marek-stoj/NReadability（亲测，效果不错）
   3. c#实现二：http://code.google.com/p/nreadability/（未亲测）　
   4. php实现一:　http://code.fivefilters.org/p/php-readability/(未亲测)
   5. php实现二:https://github.com/feelinglucky/php-readability(未亲测)作者主页:http://www.gracecode.com/archives/3061/
   6. node.js版：https://github.com/arrix/node-readability/（未亲测）

转载于:https://www.cnblogs.com/phoenixnudt/articles/2382140.html