给定一个新闻文章网页(来自任何主要新闻来源,例如时报或彭博社),我想识别该页面上的主要文章内容,并丢弃其他杂项元素,例如广告、菜单、侧边栏、用户评论。
在大多数主要新闻网站上都可以使用的通用方法是什么?
有哪些好的数据挖掘工具或库? (最好是基于Python的)
有很多方法可以做到这一点,但是没有一种方法永远有效。这是最简单的两个:
- 如果它是一组已知的有限网站:在您的抓取工具中,将每个 url 从正常 url 转换为给定站点的打印 url(不能真正跨站点推广)
- 使用arc90可读性算法(参考实现在javascript中)http://code.google.com/p/arc90labs-readability/ http://code.google.com/p/arc90labs-readability/。该算法的简短版本是查找其中带有 p 标签的 div。它不适用于某些网站,但通常相当不错。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)