标签：from dex code str web enumerate 好的 文章 字符
参考文章链接： http://www.cnblogs.com/jasondan/p/3497757.html
http://d.wanfangdata.com.cn/Patent/CN201410007832.6/
回顾以上的网页分析，如果按照文本密度来找提取正文，那么就是写这么一个算法，能够从过滤html标签后的文本中找到正文文本的起止行号，行号之间的文本就是网页正文部分。
还是从上面三个网页的分析结果看，他们都有这么一个特性：正文部分的文本密度要高出非正文部分很多。我们按照这个特性就可以很容易将算法实现，那就是基于阈（读音：yu）值去分析正文所在的位置。
那么接下来就需要解决一些问题：
阈值的确定可以通过统计分析得出一个比较好的值，我在实际处理过程中，发现这个值取180是比较合适的，也就是分析文本的时候，如果所分析的文本超过了180，那么就可以认为到达了正文部分。
再有就是如何分析的问题，这个其实比较容易确定，一行行的分析效果肯定不好，如果在按行分析的过程中往下在分析几行作为一次分析效果比较好。也就是一次性分析上5行左右，将字符累加起来，看看有没有达到设定的阈值，如果达到了，那么认为已经进入正文部分了。
import re from bs4 import BeautifulSoup,Comment import requests authorset ={‘责任编辑‘,‘作者‘} def getcontentfromweb(src): obj = requests.get(src) return obj.text def filter_tags(html_str): soup =BeautifulSoup(html_str) title =soup.title.string.encode().decode(‘utf-8‘) [script.extract() for script in soup.findAll(‘script‘)] [style.extract() for style in soup.findAll(‘style‘)] comments = soup.findAll(text=lambda text: isinstance(text, Comment)) [comment.extract() for comment in comments] reg1 = re.compile("<[^>]*>") content = reg1.sub(‘‘, soup.prettify()).split(‘\n‘) return title,content def getcontent(lst,title,authorset): lstlen = [len(x) for x in lst] threshold=50 startindex = 0 maxindex = lstlen.index(max(lstlen)) endindex = 0 for i,v in enumerate(lstlen[:maxindex-3]): if v> threshold and lstlen[i+1]>5 and lstlen[i+2]>5 and lstlen[i+3]>5: startindex = i break for i,v in enumerate(lstlen[maxindex:]): if v< threshold and lstlen[maxindex+i+1]<10 and lstlen[maxindex+i+2]<10 and lstlen[maxindex+i+3]<10: endindex = i break content =[‘<p>‘+x.strip()+‘</p>‘ for x in lst[startindex:endindex+maxindex] if len(x.strip())>0] return content def run(url): ctthtml=getcontentfromweb(url) title,content =filter_tags(ctthtml) newcontent =getcontent(content,title,authorset) ctt =‘‘.join(newcontent) return title,ctt
标签：from dex code str web enumerate 好的 文章 字符
原文地址：http://www.cnblogs.com/aisir/p/6142323.html
