网页正文及内容图片提取算法

备份自：http://blog.rainy.im/2015/09/02/web-content-and-main-image-extractor/

问题：如何提取任意（尤其是新闻、资讯类）网页的正文内容，提取与文章内容相关的图片，源码可见：extractor.py。

抓取单个网站网页内容时通常采用正则匹配的方式，但不同网站之间结构千奇百怪，很难用统一的正则表达式进行匹配。《基于行块分布函数的通用网页正文抽取算法》的作者总结了一般从网页中提取文章正文的方法，提出基于行块分布的正文抽取算法，并给出了 PHP 、Java 等实现。这一算法的主要原理基于两点：

1. 正文区密度：在去除HTML中所有tag之后，正文区字符密度更高，较少出现多行空白；
2. 行块长度：非正文区域的内容一般单独标签（行块）中较短。

算法步骤如下：

• 去除所有tag，包括样式、Js脚本内容等，但保留原有的换行符\n：

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

• 将网页内容按行分割，定义行块 $block_i$ 为第 $[i, i + blockSize]$ 行文本之和并给出行块长度基于行号的分布函数：

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

• 正文出现在最长的行块，截取两边至行块长度为 0 的范围：

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])

• 如果需要提取正文区域出现的图片，只需要在第一步去除tag时保留<img>标签的内容：

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

总结

以上算法基本可以应对大部分（中文）网页正文的提取，针对有些网站正文图片多于文字的情况，可以采用保留<img> 标签中图片链接的方法，增加正文密度。目前少量测试发现的问题有：1）文章分页或动态加载的网页；2）评论长度过长喧宾夺主的网页。

参考

• cx-extractor

• cix-extractor-py

  ​