網頁正文及內容圖片提取演算法

問題：如何提取任意（尤其是新聞、資訊類）網頁的正文內容，提取與文章內容相關的圖片，原始碼可見：extractor.py。

抓取單個網站網頁內容時通常採用正則匹配的方式，但不同網站之間結構千奇百怪，很難用統一的正規表示式進行匹配。《基於行塊分佈函式的通用網頁正文抽取演算法》的作者總結了一般從網頁中提取文章正文的方法，提出基於行塊分佈的正文抽取演算法，並給出了 PHP 、Java 等實現。這一演算法的主要原理基於兩點：

1. 正文區密度：在去除HTML中所有tag之後，正文區字元密度更高，較少出現多行空白；
2. 行塊長度：非正文區域的內容一般單獨標籤（行塊）中較短。

演算法步驟如下：

• 去除所有tag，包括樣式、Js指令碼內容等，但保留原有的換行符 \n ：
  
  Python

  reCOMM = r'<!--.*?-->' reTRIM = r'<{0}.*?>([\s\S]*?)<\/{0}>' reTAG = r'<[\s\S]*?>|[ \t\r\f\v]' def processTags(body=""): body = re.sub(reCOMM, "", body) body = re.sub(reTRIM.format("script"), "" ,re.sub(reTRIM.format("style"), "", body)) body = re.sub(reTAG, "", body) return body

  1 2 3 4 5 6 7 8 9

  reCOMM = r'<!--.*?-->'   reTRIM = r'<{0}.*?>([\s\S]*?)<\/{0}>'   reTAG  = r'<[\s\S]*?>|[ \t\r\f\v]'   def processTags(body=""):     body = re.sub(reCOMM, "", body)   body = re.sub(reTRIM.format("script"), "" ,re.sub(reTRIM.format("style"), "", body))   body = re.sub(reTAG, "", body)   return body

• 將網頁內容按行分割，定義行塊 block i 為第 [i,i+blockSize] 行文字之和並給出行塊長度基於行號的分佈函式：
  
  Python

  def processBlocks(body=""): ctexts = body.split("\n") textLens = [len(text) for text in ctexts] cblocks = [0] * (len(ctexts) - blockSize) lines = len(ctexts) for i in range(blockSize): cblocks = list(map(lambda x,y: x+y, textLens[i : lines-1-blockSize+i], cblocks)) return cblocks

  1 2 3 4 5 6 7 8 9

  def processBlocks(body=""):     ctexts = body.split("\n")   textLens = [len(text) for text in ctexts]   cblocks  = [0] * (len(ctexts) - blockSize)     lines = len(ctexts)   for i in range(blockSize):     cblocks = list(map(lambda x,y: x+y, textLens[i : lines-1-blockSize+i], cblocks))   return cblocks

• 正文出現在最長的行塊，擷取兩邊至行塊長度為 0 的範圍：
  
  Python

  def getContext(ctexts, cblocks): maxTextLen = max(cblocks) start = end = cblocks.index(maxTextLen) while start > 0 and cblocks[start] > min(textLens): start -= 1 while end < lines - blockSize and cblocks[end] > min(textLens): self.end += 1 return "".join(ctexts[start:end])

  1 2 3 4 5 6 7 8 9 10

  def getContext(ctexts, cblocks):     maxTextLen = max(cblocks)     start = end = cblocks.index(maxTextLen)   while start > 0 and cblocks[start] > min(textLens):       start -= 1   while end < lines - blockSize and cblocks[end] > min(textLens):     self.end += 1     return "".join(ctexts[start:end])

• 如果需要提取正文區域出現的圖片，只需要在第一步去除tag時保留<img>標籤的內容：
  
  Python

  reIMG = re.compile(r'<img[\s\S]*?src=[\'|"]([\s\S]*?)[\'|"][\s\S]*?>') def processImages(body): return reIMG.sub(r'{{\1}}', body)

  1 2 3

  reIMG  = re.compile(r'<img[\s\S]*?src=[\'|"]([\s\S]*?)[\'|"][\s\S]*?>')   def processImages(body):     return reIMG.sub(r'{{\1}}', body)

  總結

  以上演算法基本可以應對大部分（中文）網頁正文的提取，針對有些網站正文圖片多於文字的情況，可以採用保留<img> 標籤中圖片連結的方法，增加正文密度。目前少量測試發現的問題有：1）文章分頁或動態載入的網頁；2）評論長度過長喧賓奪主的網頁。

  參考

  • cx-extractor
  • cix-extractor-py