【python教程】网页正文及内容图片提取算法
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:
1、去除所有tag,包括样式、Js脚本内容等,但保留原有的换行符
2、将网页内容按行分割,定义行块 $block_i$ 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:
立即学习“Python免费学习笔记(深入)”;
3、正文出现在最长的行块,截取两边至行块长度为 0 的范围:
4、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时保留标签的内容:
-
Python实现字典的key和values的交换
有些时候我们不得已要利用values来反向查询key,有没有简单的方法呢?下面我给大家列举一些方法,方便大家使用pyth...
Python
2个月前 (02-11) 205 -
使用Python脚本来获取Cisco设备信息的示例
今天发现一个使用python写的管理cisco设备的小框架tratto,可以用来批量执行命令。下载后主要有3个文件:Sy...
Python
2个月前 (02-11) 107 -
Python的Django中django-userena组件的简单使用教程
利用twitter/bootstrap,项目的基础模板算是顺利搞定。接下来开始处理用户中心。用户中心主要包括用户登陆、注...
Python
2个月前 (02-11) 97 -
零基础写python爬虫之神器正则表达式
接下来准备用糗百做一个爬虫的小例子。但是在这之前,先详细的整理一下Python中的正则表达式的相关内容。正则表达式在Py...
Python
2个月前 (02-11) 105 -
零基础写python爬虫之抓取百度贴吧代码分享
这里就不给大家废话了,直接上代码,代码的解释都在注释里面,看不懂的也别来问我,好好学学基础知识去! 代码如下:# -*-...
Python
2个月前 (02-11) 96
- 微信三级分销系统产品详情页怎么开发? 3周前 (03-13)
- 微信公众号-获取用户信息(网页授权获取)实现步骤 3周前 (03-13)
- php微信公众号开发(2)百度BAE搭建和数据库使用 3周前 (03-13)
- php微信公众号开发(3)php实现简单微信文本通讯 3周前 (03-13)
- php微信公众号开发(4)php实现自定义关键字回复 3周前 (03-13)
- php版微信小店调用api示例代码 3周前 (03-13)
- php版微信小店API二次开发及使用示例 3周前 (03-13)
- C# 微信公众号开发--准备工作 3周前 (03-13)
- C#微信公众号开发--微信事件交互 3周前 (03-13)
- C#微信公众号开发--网页授权(oauth2.0)获取用户基本信息一 3周前 (03-13)