大规模异步新闻爬虫【5】：网页正文的提取
前面我们实现的新闻爬虫，运行起来后很快就可以抓取大量新闻网页，存到数据库里面的都是网页的html代码，并不是我们想要的最终结果。最终结果应该是结构化的数据，包含的信息至少有url，标题、发布时间、正文内容、来源网站等。
网页正文抽取的方法
所以，爬虫不仅要干下载的活儿，清理、提取数据的活儿也得干。所以说嘛，写爬虫是综合能力的体现。
一个典型的新闻网页包括几个不同区域：
新闻网页区域
我们要提取的新闻要素包含在：
- 标题区域
- meta数据区域（发布时间等）
- 配图区域（如果想把配图也提取）
- 正文区域
而导航栏区域、相关链接区域的文字就不属于该新闻的要素。
新闻的标题、发布时间、正文内容一般都是从我们抓取的html里面提取的。如果仅仅是一个网站的新闻网页，提取这三个内容很简单，写三个正则表达式就可以完美提取了。然而，我们的爬虫抓来的是成百上千的网站的网页。对这么多不同格式的网页写正则表达式会累死人的，而且网页一旦稍微改版，表达式可能就失效，维护这群表达式也是会累死人的。
累死人的做法当然想不通，我们就要探索一下好的算法来实现。
1. 标题的提取
标题基本上都会出现在html的<title>标签里面，但是又被附加了诸如频道名称、网站名称等信息；
标题还会出现在网页的“标题区域”。
那么这两个地方，从哪里提取标题比较容易呢？
网页的“标题区域”没有明显的标识，不同网站的“标题区域”的html代码部分千差万别。所以这个区域并不容易提取出来。
那么就只剩下<title>标签了，这个标签很容易提取，无论是正则表达式，还是lxml解析都很容易，不容易的是如何去除频道名称、网站名称等信息。
先来看看，<title>标签里面都是设么样子的附加信息：
上海用“智慧”激活城市交通脉搏，让道路更安全更有序更通畅_浦江头条_澎湃新闻-The Paper“沪港大学联盟”今天在复旦大学成立_教育_新民网三亚老人脚踹司机致公交车失控撞墙 被判刑3年_社会外交部：中美外交安全对话9日在美举行进博会：中国行动全球瞩目，中国担当世界点赞_南方观澜_南方网资本市场迎来重大改革 设立科创板有何深意？-新华网
观察这些title不难发现，新闻标题和频道名、网站名之间都是有一些连接符号的。那么我就可以通过这些连接符吧title分割，找出最长的部分就是新闻标题了。
这个思路也很容易实现，这里就不再上代码了，留给小猿们作为思考练习题自己实现一下。
2. 发布时间提取
发布时间，指的是这个网页在该网站上线的时间，一般它会出现在正文标题的下方——meta数据区域。从html代码看，这个区域没有什么特殊特征让我们定位，尤其是在非常多的网站版面面前，定位这个区域几乎是不可能的。这需要我们另辟蹊径。
跟标题一样，我们也先看看一些网站的发布时间都是怎么写的：
- 央视网2018年11月06日 22:22
- 时间：2018-11-07 14:27:00
- 2018-11-07 11:20:37 来源： 新华网
- 来源：中国日报网 2018-11-07 08:06:39
- 2018年11月07日 07:39:19
- 2018-11-06 09:58 来源：澎湃新闻
这些写在网页上的发布时间，都有一个共同的特点，那就是一个表示时间的字符串，年月日时分秒，无外乎这几个要素。通过正则表达式，我们列举一些不同时间表达方式（也就那么几种）的正则表达式，就可以从网页文本中进行匹配提取发布时间了。
这也是一个很容易实现的思路，但是细节比较多，表达方式要涵盖的尽可能多，写好这么一个提取发布时间的函数也不是那么容易的哦。小猿们尽情发挥动手能力，看看自己能写出怎样的函数实现。这也是留给小猿们的一道练习题。
3. 正文的提取
正文（包括新闻配图）是一个新闻网页的主体部分，它在视觉上占据中间位置，是新闻的内容主要的文字区域。正文的提取有很多种方法，实现上有复杂也有简单。本文介绍的方法，是结合老猿多年的实践经验和思考得出来的一个简单快速的方法，姑且称之为“节点文本密度法”。
我们知道，网页的html代码是由不同的标签（tag）组成了一个树状结构树，每个标签是树的一个节点。通过遍历这个树状结构的每个节点，找到文本最多的节点，它就是正文所在的节点。根据这个思路，我们来实现一下代码。
3.1 实现源码
#!/usr/bin/env python3
#File: maincontent.py
#Author: veelion
import re
import time
import traceback
import cchardet
import lxml
import lxml.html
from lxml.html import HtmlComment
REGEXES = {
'okMaybeItsACandidateRe': re.compile(
'and|article|artical|body|column|main|shadow', re.I),
'positiveRe': re.compile(
('article|arti|body|content|entry|hentry|main|page|'
'artical|zoom|arti|context|message|editor|'
'pagination|post|txt|text|blog|story'), re.I),
'negativeRe': re.compile(
('copyright|combx|comment|com-|contact|foot|footer|footnote|decl|copy|'
'notice|'
'masthead|media|meta|outbrain|promo|related|scroll|link|pagebottom|bottom|'
'other|shoutbox|sidebar|sponsor|shopping|tags|tool|widget'), re.I),
}
class MainContent:
def __init__(self,):
self.non_content_tag = set([
'head',
'meta',
'script',
'style',
'object', 'embed',
'iframe',
'marquee',
'select',
])
self.title = ''
self.p_space = re.compile(r'\s')
self.p_html = re.compile(r'<html|</html>', re.IGNORECASE|re.DOTALL)
self.p_content_stop = re.compile(r'正文.*结束|正文下|相关阅读|声明')
self.p_clean_tree = re.compile(r'author|post-add|copyright')
def get_title(self, doc):
title = ''
title_el = doc.xpath('//title')
if title_el:
title = title_el[0].text_content().strip()
if len(title) < 7:
tt = doc.xpath('//meta[@name="title"]')
if tt:
title = tt[0].get('content', '')
if len(title) < 7:
tt = doc.xpath('//*[contains(@id, "title") or contains(@class, "title")]')
if not tt:
tt = doc.xpath('//*[contains(@id, "font01") or contains(@class, "font01")]')
for t in tt:
ti = t.text_content().strip()
if ti in title and len(ti)*2 > len(title):
title = ti
break
if len(ti) > 20: continue
if len(ti) > len(title) or len(ti) > 7:
title = ti
return title
def shorten_title(self, title):
spliters = [' - ', '–', '—', '-', '|', '::']
for s in spliters:
if s not in title:
continue
tts = title.split(s)
if len(tts) < 2:
continue
title = tts[0]
break
return title
def calc_node_weight(self, node):
weight = 1
attr = '%s %s %s' % (
node.get('class', ''),
node.get('id', ''),
node.get('style', '')
)
if attr:
mm = REGEXES['negativeRe'].findall(attr)
weight -= 2 * len(mm)
mm = REGEXES['positiveRe'].findall(attr)
weight += 4 * len(mm)
if node.tag in ['div', 'p', 'table']:
weight += 2
return weight
def get_main_block(self, url, html, short_title=True):
''' return (title, etree_of_main_content_block)
'''
if isinstance(html, bytes):
encoding = cchardet.detect(html)['encoding']
if encoding is None:
return None, None
html = html.decode(encoding, 'ignore')
try:
doc = lxml.html.fromstring(html)
doc.make_links_absolute(base_url=url)
except :
traceback.print_exc()
return None, None
self.title = self.get_title(doc)
if short_title:
self.title = self.shorten_title(self.title)
body = doc.xpath('//body')
if not body:
return self.title, None
candidates = []
nodes = body[0].getchildren()
while nodes:
node = nodes.pop(0)
children = node.getchildren()
tlen = 0
for child in children:
if isinstance(child, HtmlComment):
continue
if child.tag in self.non_content_tag:
continue
if child.tag == 'a':
continue
if child.tag == 'textarea':
# FIXME: this tag is only part of content?
continue
attr = '%s%s%s' % (child.get('class', ''),
child.get('id', ''),
child.get('style'))
if 'display' in attr and 'none' in attr:
continue
nodes.append(child)
if child.tag == 'p':
weight = 3
else:
weight = 1
text = '' if not child.text else child.text.strip()
tail = '' if not child.tail else child.tail.strip()
tlen += (len(text) + len(tail)) * weight
if tlen < 10:
continue
weight = self.calc_node_weight(node)
candidates.append((node, tlen*weight))
if not candidates:
return self.title, None
candidates.sort(key=lambda a: a[1], reverse=True)
good = candidates[0][0]
if good.tag in ['p', 'pre', 'code', 'blockquote']:
for i in range(5):
good = good.getparent()
if good.tag == 'div':
break
good = self.clean_etree(good, url)
return self.title, good
def clean_etree(self, tree, url=''):
to_drop = []
drop_left = False
for node in tree.iterdescendants():
if drop_left:
to_drop.append(node)
continue
if isinstance(node, HtmlComment):
to_drop.append(node)
if self.p_content_stop.search(node.text):
drop_left = True
continue
if node.tag in self.non_content_tag:
to_drop.append(node)
continue
attr = '%s %s' % (
node.get('class', ''),
node.get('id', '')
)
if self.p_clean_tree.search(attr):
to_drop.append(node)
continue
aa = node.xpath('.//a')
if aa:
text_node = len(self.p_space.sub('', node.text_content()))
text_aa = 0
for a in aa:
alen = len(self.p_space.sub('', a.text_content()))
if alen > 5:
text_aa += alen
if text_aa > text_node * 0.4:
to_drop.append(node)
for node in to_drop:
try:
node.drop_tree()
except:
pass
return tree
def get_text(self, doc):
lxml.etree.strip_elements(doc, 'script')
lxml.etree.strip_elements(doc, 'style')
for ch in doc.iterdescendants():
if not isinstance(ch.tag, str):
continue
if ch.tag in ['div', 'h1', 'h2', 'h3', 'p', 'br', 'table', 'tr', 'dl']:
if not ch.tail:
ch.tail = '\n'
else:
ch.tail = '\n' + ch.tail.strip() + '\n'
if ch.tag in ['th', 'td']:
if not ch.text:
ch.text = ' '
else:
ch.text += ' '
# if ch.tail:
# ch.tail = ch.tail.strip()
lines = doc.text_content().split('\n')
content = []
for l in lines:
l = l.strip()
if not l:
continue
content.append(l)
return '\n'.join(content)
def extract(self, url, html):
'''return (title, content)
'''
title, node = self.get_main_block(url, html)
if node is None:
print('\tno main block got !!!!!', url)
return title, '', ''
content = self.get_text(node)
return title, content
3.2 代码解析
跟新闻爬虫一样，我们把整个算法实现为一个类：MainContent。
首先，定义了一个全局变量： REGEXES。它收集了一些经常出现在标签的class和id中的关键词，这些词标识着该标签可能是正文或者不是。我们用这些词来给标签节点计算权重，也就是方法calc_node_weight()的作用。
MainContent类的初始化，先定义了一些不会包含正文的标签 self.non_content_tag，遇到这些标签节点，直接忽略掉即可。
本算法提取标题实现在get_title()这个函数里面。首先，它先获得<title>标签的内容，然后试着从<meta>里面找title，再尝试从<body>里面找id和class包含title的节点，最后把从不同地方获得的可能是标题的文本进行对比，最终获得标题。对比的原则是：
-
<meta>,<body>里面找到的疑似标题如果包含在<title>标签里面，则它是一个干净（没有频道名、网站名）的标题； - 如果疑似标题太长就忽略
- 主要把
<title>标签作为标题
从<title>标签里面获得标题，就要解决标题清洗的问题。这里实现了一个简单的方法： clean_title()。
在这个实现中，我们使用了lxml.html把网页的html转化成一棵树，从body节点开始遍历每一个节点，看它直接包含（不含子节点）的文本的长度，从中找出含有最长文本的节点。这个过程实现在方法：get_main_block()中。其中一些细节，小猿们可以仔细体会一下。
其中一个细节就是，clean_node()这个函数。通过get_main_block()得到的节点，有可能包含相关新闻的链接，这些链接包含大量新闻标题，如果不去除，就会给新闻内容带来杂质（相关新闻的标题、概述等）。
还有一个细节，get_text()函数。我们从main block中提取文本内容，不是直接使用text_content()，而是做了一些格式方面的处理，比如在一些标签后面加入换行符合\n，在table的单元格之间加入空格。这样处理后，得到的文本格式比较符合原始网页的效果。
爬虫知识点
1. cchardet模块
用于快速判断文本编码的模块
2. lxml.html模块
结构化html代码的模块，通过xpath解析网页的工具，高效易用，是写爬虫的居家必备的模块。
3. 内容提取的复杂性
我们这里实现的正文提取的算法，基本上可以正确处理90%以上的新闻网页。
但是，世界上没有千篇一律的网页一样，也没有一劳永逸的提取算法。大规模使用本文算法的过程中，你会碰到奇葩的网页，这个时候，你就要针对这些网页，来完善这个算法类。
