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)
posted @ 2012-03-06 16:19 不死鸟2013 阅读(...) 评论(...)  编辑 收藏