绵阳梓潼网站制作公司

如何用Python实现网页正文的提取-创新互联

这篇文章主要介绍了如何用Python实现网页正文的提取的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇如何用Python实现网页正文的提取文章都会有所收获，下面我们一起来看看吧。

创新互联建站长期为上千余家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为船营企业提供专业的网站建设、成都网站设计，船营网站改版等技术服务。拥有10多年丰富建站经验和众多成功案例,为您定制开发。

一个典型的新闻网页包括几个不同区域：

如何用Python实现网页正文的提取

新闻网页区域

我们要提取的新闻要素包含在：

  • 标题区域

  • meta数据区域（发布时间等）

  • 配图区域（如果想把配图也提取）

  • 正文区域

而导航栏区域、相关链接区域的文字就不属于该新闻的要素。

新闻的标题、发布时间、正文内容一般都是从我们抓取的html里面提取的。如果仅仅是一个网站的新闻网页，提取这三个内容很简单，写三个正则表达式就可以完美提取了。然而，我们的爬虫抓来的是成百上千的网站的网页。对这么多不同格式的网页写正则表达式会累死人的，而且网页一旦稍微改版，表达式可能就失效，维护这群表达式也是会累死人的。

累死人的做法当然想不通，我们就要探索一下好的算法来实现。

1. 标题的提取

标题基本上都会出现在html的</code>标签里面，但是又被附加了诸如频道名称、网站名称等信息；</p><p>标题还会出现在网页的“标题区域”。</p><p>那么这两个地方，从哪里提取标题比较容易呢？</p><p>网页的“标题区域”没有明显的标识，不同网站的“标题区域”的html代码部分千差万别。所以这个区域并不容易提取出来。</p><p>那么就只剩下<code><title></code>标签了，这个标签很容易提取，无论是正则表达式，还是lxml解析都很容易，不容易的是如何去除频道名称、网站名称等信息。</p><p>先来看看，<code><title></code>标签里面都是设么样子的附加信息：</p><ul><li><p><code>上海用“智慧”激活城市交通脉搏，让道路更安全更有序更通畅_浦江头条_澎湃新闻-The Paper</code></p></li><li><p><code>“沪港大学联盟”今天在复旦大学成立_教育_新民网</code></p></li><li><p><code>三亚老人脚踹司机致公交车失控撞墙 被判刑3年_社会</code></p></li><li><p><code>外交部：中美外交安全对话9日在美举行</code></p></li><li><p><code>进博会：中国行动全球瞩目，中国担当世界点赞_南方观澜_南方网</code></p></li><li><p><code>资本市场迎来重大改革 设立科创板有何深意？-新华网</code></p></li></ul><p>观察这些title不难发现，新闻标题和频道名、网站名之间都是有一些连接符号的。那么我就可以通过这些连接符吧title分割，找出最长的部分就是新闻标题了。</p><p>这个思路也很容易实现，这里就不再上代码了，留给小猿们作为思考练习题自己实现一下。</p><h3>2. 发布时间提取</h3><p>发布时间，指的是这个网页在该网站上线的时间，一般它会出现在正文标题的下方——meta数据区域。从html代码看，这个区域没有什么特殊特征让我们定位，尤其是在非常多的网站版面面前，定位这个区域几乎是不可能的。这需要我们另辟蹊径。<br/>跟标题一样，我们也先看看一些网站的发布时间都是怎么写的：</p><ul><li><p>央视网2018年11月06日 22:22</p></li><li><p>时间：2018-11-07 14:27:00</p></li><li><p>2018-11-07 11:20:37 来源： 新华网</p></li><li><p>来源：中国日报网 2018-11-07 08:06:39</p></li><li><p>2018年11月07日 07:39:19</p></li><li><p>2018-11-06 09:58 来源：澎湃新闻</p></li></ul><p>这些写在网页上的发布时间，都有一个共同的特点，那就是一个表示时间的字符串，年月日时分秒，无外乎这几个要素。通过正则表达式，我们列举一些不同时间表达方式（也就那么几种）的正则表达式，就可以从网页文本中进行匹配提取发布时间了。</p><p>这也是一个很容易实现的思路，但是细节比较多，表达方式要涵盖的尽可能多，写好这么一个提取发布时间的函数也不是那么容易的哦。小猿们尽情发挥动手能力，看看自己能写出怎样的函数实现。这也是留给小猿们的一道练习题。</p><h3>3. 正文的提取</h3><p>正文（包括新闻配图）是一个新闻网页的主体部分，它在视觉上占据中间位置，是新闻的内容主要的文字区域。正文的提取有很多种方法，实现上有复杂也有简单。本文介绍的方法，是结合老猿多年的实践经验和思考得出来的一个简单快速的方法，姑且称之为“节点文本密度法”。</p><p>我们知道，网页的html代码是由不同的标签（tag）组成了一个树状结构树，每个标签是树的一个节点。通过遍历这个树状结构的每个节点，找到文本最多的节点，它就是正文所在的节点。根据这个思路，我们来实现一下代码。</p><h4>3.1 实现源码</h4><pre>#!/usr/bin/env python3 #File: maincontent.py #Author: veelion import re import time import traceback import cchardet import lxml import lxml.html from lxml.html import HtmlComment REGEXES = {     'okMaybeItsACandidateRe': re.compile(         'and|article|artical|body|column|main|shadow', re.I),     'positiveRe': re.compile(         ('article|arti|body|content|entry|hentry|main|page|'          'artical|zoom|arti|context|message|editor|'          'pagination|post|txt|text|blog|story'), re.I),     'negativeRe': re.compile(         ('copyright|combx|comment|com-|contact|foot|footer|footnote|decl|copy|'          'notice|'          'masthead|media|meta|outbrain|promo|related|scroll|link|pagebottom|bottom|'          'other|shoutbox|sidebar|sponsor|shopping|tags|tool|widget'), re.I), } class MainContent:     def __init__(self,):         self.non_content_tag = set([             'head',             'meta',             'script',             'style',             'object', 'embed',             'iframe',             'marquee',             'select',         ])         self.title = ''         self.p_space = re.compile(r'\s')         self.p_html = re.compile(r'<html|</html>', re.IGNORECASE|re.DOTALL)         self.p_content_stop = re.compile(r'正文.*结束|正文下|相关阅读|声明')         self.p_clean_tree = re.compile(r'author|post-add|copyright')     def get_title(self, doc):         title = ''         title_el = doc.xpath('//title')         if title_el:             title = title_el[0].text_content().strip()         if len(title) < 7:             tt = doc.xpath('//meta[@name="title"]')             if tt:                 title = tt[0].get('content', '')         if len(title) < 7:             tt = doc.xpath('//*[contains(@id, "title") or contains(@class, "title")]')             if not tt:                 tt =  doc.xpath('//*[contains(@id, "font01") or contains(@class, "font01")]')             for t in tt:                 ti = t.text_content().strip()                 if ti in title and len(ti)*2 > len(title):                     title = ti                     break                 if len(ti) > 20: continue                 if len(ti) > len(title) or len(ti) > 7:                     title = ti         return title     def shorten_title(self, title):         spliters = [' - ', '–', '—', '-', '|', '::']         for s in spliters:             if s not in title:                 continue             tts = title.split(s)             if len(tts) < 2:                 continue             title = tts[0]             break         return title     def calc_node_weight(self, node):         weight = 1         attr = '%s %s %s' % (             node.get('class', ''),             node.get('id', ''),             node.get('style', '')         )         if attr:             mm = REGEXES['negativeRe'].findall(attr)             weight -= 2 * len(mm)             mm = REGEXES['positiveRe'].findall(attr)             weight += 4 * len(mm)         if node.tag in ['div', 'p', 'table']:             weight += 2         return weight     def get_main_block(self, url, html, short_title=True):         ''' return (title, etree_of_main_content_block)         '''         if isinstance(html, bytes):             encoding = cchardet.detect(html)['encoding']             if encoding is None:                 return None, None             html = html.decode(encoding, 'ignore')         try:             doc = lxml.html.fromstring(html)             doc.make_links_absolute(base_url=url)         except :             traceback.print_exc()             return None, None         self.title = self.get_title(doc)         if short_title:             self.title = self.shorten_title(self.title)         body = doc.xpath('//body')         if not body:             return self.title, None         candidates = []         nodes = body[0].getchildren()         while nodes:             node = nodes.pop(0)             children = node.getchildren()             tlen = 0             for child in children:                 if isinstance(child, HtmlComment):                     continue                 if child.tag in self.non_content_tag:                     continue                 if child.tag == 'a':                     continue                 if child.tag == 'textarea':                     # FIXME: this tag is only part of content?                     continue                 attr = '%s%s%s' % (child.get('class', ''),                                    child.get('id', ''),                                    child.get('style'))                 if 'display' in attr and 'none' in attr:                     continue                 nodes.append(child)                 if child.tag == 'p':                     weight = 3                 else:                     weight = 1                 text = '' if not child.text else child.text.strip()                 tail = '' if not child.tail else child.tail.strip()                 tlen += (len(text) + len(tail)) * weight             if tlen < 10:                 continue             weight = self.calc_node_weight(node)             candidates.append((node, tlen*weight))         if not candidates:             return self.title, None         candidates.sort(key=lambda a: a[1], reverse=True)         good = candidates[0][0]         if good.tag in ['p', 'pre', 'code', 'blockquote']:             for i in range(5):                 good = good.getparent()                 if good.tag == 'div':                     break         good = self.clean_etree(good, url)         return self.title, good     def clean_etree(self, tree, url=''):         to_drop = []         drop_left = False         for node in tree.iterdescendants():             if drop_left:                 to_drop.append(node)                 continue             if isinstance(node, HtmlComment):                 to_drop.append(node)                 if self.p_content_stop.search(node.text):                     drop_left = True                 continue             if node.tag in self.non_content_tag:                 to_drop.append(node)                 continue             attr = '%s %s' % (                 node.get('class', ''),                 node.get('id', '')             )             if self.p_clean_tree.search(attr):                 to_drop.append(node)                 continue             aa = node.xpath('.//a')             if aa:                 text_node = len(self.p_space.sub('', node.text_content()))                 text_aa = 0                 for a in aa:                     alen = len(self.p_space.sub('', a.text_content()))                     if alen > 5:                         text_aa += alen                 if text_aa > text_node * 0.4:                     to_drop.append(node)         for node in to_drop:             try:                 node.drop_tree()             except:                 pass         return tree     def get_text(self, doc):         lxml.etree.strip_elements(doc, 'script')         lxml.etree.strip_elements(doc, 'style')         for ch in doc.iterdescendants():             if not isinstance(ch.tag, str):                 continue             if ch.tag in ['div', 'h2', 'h3', 'h4', 'p', 'br', 'table', 'tr', 'dl']:                 if not ch.tail:                     ch.tail = '\n'                 else:                     ch.tail = '\n' + ch.tail.strip() + '\n'             if ch.tag in ['th', 'td']:                 if not ch.text:                     ch.text = '  '                 else:                     ch.text += '  '             # if ch.tail:             #     ch.tail = ch.tail.strip()         lines = doc.text_content().split('\n')         content = []         for l in lines:             l = l.strip()             if not l:                 continue             content.append(l)         return '\n'.join(content)     def extract(self, url, html):         '''return (title, content)         '''         title, node = self.get_main_block(url, html)         if node is None:             print('\tno main block got !!!!!', url)             return title, '', ''         content = self.get_text(node)         return title, content</pre><h4>3.2 代码解析</h4><p>跟新闻爬虫一样，我们把整个算法实现为一个类：MainContent。</p><p>首先，定义了一个全局变量： REGEXES。它收集了一些经常出现在标签的class和id中的关键词，这些词标识着该标签可能是正文或者不是。我们用这些词来给标签节点计算权重，也就是方法calc_node_weight()的作用。</p><p>MainContent类的初始化，先定义了一些不会包含正文的标签 self.non_content_tag，遇到这些标签节点，直接忽略掉即可。</p><p>本算法提取标题实现在get_title()这个函数里面。首先，它先获得<code><title></code>标签的内容，然后试着从<code><meta></code>里面找title，再尝试从<code><body></code>里面找id和class包含title的节点，最后把从不同地方获得的可能是标题的文本进行对比，最终获得标题。对比的原则是：</p><ul><li><p><code><meta></code>, <code><body></code>里面找到的疑似标题如果包含在<code><title></code>标签里面，则它是一个干净（没有频道名、网站名）的标题；</p></li><li><p>如果疑似标题太长就忽略</p></li><li><p>主要把<code><title></code>标签作为标题</p></li></ul><p>从<code><title></code>标签里面获得标题，就要解决标题清洗的问题。这里实现了一个简单的方法： clean_title()。</p><p>在这个实现中，我们使用了lxml.html把网页的html转化成一棵树，从body节点开始遍历每一个节点，看它直接包含（不含子节点）的文本的长度，从中找出含有最长文本的节点。这个过程实现在方法：get_main_block()中。其中一些细节，小猿们可以仔细体会一下。</p><p>其中一个细节就是，clean_node()这个函数。通过get_main_block()得到的节点，有可能包含相关新闻的链接，这些链接包含大量新闻标题，如果不去除，就会给新闻内容带来杂质（相关新闻的标题、概述等）。</p><p>还有一个细节，get_text()函数。我们从main block中提取文本内容，不是直接使用text_content()，而是做了一些格式方面的处理，比如在一些标签后面加入换行符合<code>\n</code>，在table的单元格之间加入空格。这样处理后，得到的文本格式比较符合原始网页的效果。</p><h3>爬虫知识点</h3><p>1. cchardet模块<br/>用于快速判断文本编码的模块</p><p>2. lxml.html模块<br/>结构化html代码的模块，通过xpath解析网页的工具，高效易用，是写爬虫的居家必备的模块。</p><p>3. 内容提取的复杂性<br/>我们这里实现的正文提取的算法，基本上可以正确处理90%以上的新闻网页。<br/>但是，世界上没有千篇一律的网页一样，也没有一劳永逸的提取算法。大规模使用本文算法的过程中，你会碰到奇葩的网页，这个时候，你就要针对这些网页，来完善这个算法类。</p><p>关于“如何用Python实现网页正文的提取”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“如何用Python实现网页正文的提取”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注创新互联-成都网站建设公司行业资讯频道。</p> <br> 分享标题：如何用Python实现网页正文的提取-创新互联 <br> 本文URL：<a href="http://myzitong.com/article/dccojj.html">http://myzitong.com/article/dccojj.html</a> </div> </div> <div class="contentr fr"> <h3>其他资讯</h3> <ul> <li> <a href="/article/piecgj.html">springboot怎样使用自定义的Tomcat</a> </li><li> <a href="/article/piecpp.html">Java开发区块链的三大sdk库是什么</a> </li><li> <a href="/article/piechi.html">成都网站设计：打造高效沟通平台，增强客户关系！</a> </li><li> <a href="/article/piechc.html">Python简洁且有趣的无限下拉的实现方法是什么</a> </li><li> <a href="/article/piecpe.html">linuxpwd命令如何使用</a> </li> </ul> </div> </div> </div> <!--底部--> <footer> <div class="foot"> <div class="container"> <h1>梓潼大橙子建站您身边的网站制作服务商</h1> <div class="foot1"> <ul> <li> <dl><i class="iconfont"></i><b>地址ADDRESS</b></dl> <p>四川-成都青羊区太升南路288号<br> 锦天国际A座10楼 </p> </li> <li> <dl><i class="iconfont"></i><b>电话/TEL</b></dl> <p><a href="tel:02886922220" target="_blank">028 86922220</a> (工作日)<br> <a href="tel:18980820575" target="_blank">1898082 0575</a> ( 7x24 ) </p> </li> <li> <dl><i class="iconfont"></i><b>QQ咨询</b></dl> <p> 244261566 (售前)<br> 631063699 (售后) </p> </li> <li> <dl><i class="iconfont"></i><b>邮箱/E: mail</b></dl> <p> service@cdcxhl.com (业务)<br> hr@cdcxhl.com (求职) </p> </li> </ul> </div> <div class="link"> 友情链接： <a href="https://www.cdcxhl.com/wangzhandingzhi.html" title="成都定制网页设计" target="_blank">成都定制网页设计</a>   <a href="https://www.cdcxhl.com/douyin/" title="抖音代运营" target="_blank">抖音代运营</a>   <a href="http://www.cdxwcx.cn/tuoguan/deyang.html" title="德阳机房托管" target="_blank">德阳机房托管</a>   <a href="http://www.ybwzjz.com/" title="宜宾做网站" target="_blank">宜宾做网站</a>   <a href="http://www.cdky.com.cn/" title="凯亚自动化控制" target="_blank">凯亚自动化控制</a>   <a href="http://www.whjierui.cn/" title="乐山企业网站设计" target="_blank">乐山企业网站设计</a>   <a href="http://www.cdhuace.com/zhangui.html" title="四川成都展柜定制厂家" target="_blank">四川成都展柜定制厂家</a>   <a href="http://www.sczjjy.com/" title="四川中宇建业" target="_blank">四川中宇建业</a>   <a href="http://www.emts.com.cn/about/" title="德阳东方电机技改服务有限公司" target="_blank">德阳东方电机技改服务有限公司</a>   <a href="http://chengdu.kswsj.cn/" title="高端网站设计推广" target="_blank">高端网站设计推广</a>    </div> </div> </div> <div class="copy container"> Copyright