当前位置:博客首页>>PHP >> 阅读正文

php实现的网页正文提取算法

作者: 郑晓 分类: PHP 发布于: 2014-11-20 19:49 浏览:16,058 评论(16)


Html2Article-php实现的提取网页正文部分,最近研究百度结果页的资讯采集,其中关键环节就是从采集回的页面中提取出文章。

有网友回复说不会用或不能用,郑晓特意贴上测试代码…做为一个程序员,有问题请先自己找原因

#采集我们新闻网的一个新闻页
$content = file_get_contents("http://news.qingdaonews.com/qingdao/2016-12/26/content_11882489.htm");
$r = new Readability($content);
print_r($r->getContent());

因为难点在于如何去识别并保留网页中的文章部分,而且删除其它无用的信息,并且要做到通用化,不能像火车头那样根据目标站来制定采集规则,因为搜索引擎结果中有各种的网页。

这个类是从网上找到的一个php实现的提取网页正文部分的算法,郑晓在本地也测试了下,准确率非常高。

source = $source;

// DOM 解析类只能处理 UTF-8 格式的字符
$source = mb_convert_encoding($source, 'HTML-ENTITIES', $input_char);

// 预处理 HTML 标签,剔除冗余的标签等
$source = $this->preparSource($source);

// 生成 DOM 解析类
$this->DOM = new DOMDocument('1.0', $input_char);
try {
//libxml_use_internal_errors(true);
// 会有些错误信息,不过不要紧 :^)
if (!@$this->DOM->loadHTML(''.$source)) {
throw new Exception("Parse HTML Error!");
}

foreach ($this->DOM->childNodes as $item) {
if ($item->nodeType == XML_PI_NODE) {
$this->DOM->removeChild($item); // remove hack
}
}

// insert proper
$this->DOM->encoding = Readability::DOM_DEFAULT_CHARSET;
} catch (Exception $e) {
// ...
}
}

/**
* 预处理 HTML 标签,使其能够准确被 DOM 解析类处理
*
* @return String
*/
private function preparSource($string) {
// 剔除多余的 HTML 编码标记,避免解析出错
preg_match("/charset=([\w|\-]+);?/", $string, $match);
if (isset($match[1])) {
$string = preg_replace("/charset=([\w|\-]+);?/", "", $string, 1);
}

// Replace all doubled-up
tags with

tags, and remove fonts.
$string = preg_replace("/[ \r\n\s]*/i", "

", $string);
$string = preg_replace("/<\/?font[^>]*>/i", "", $string);

// @see https://github.com/feelinglucky/php-readability/issues/7
// - from http://stackoverflow.com/questions/7130867/remove-script-tag-from-html-content
$string = preg_replace("#(.*?)#is", "", $string);

return trim($string);
}

/**
* 删除 DOM 元素中所有的 $TagName 标签
*
* @return DOMDocument
*/
private function removeJunkTag($RootNode, $TagName) {

$Tags = $RootNode->getElementsByTagName($TagName);

//Note: always index 0, because removing a tag removes it from the results as well.
while($Tag = $Tags->item(0)){
$parentNode = $Tag->parentNode;
$parentNode->removeChild($Tag);
}

return $RootNode;

}

/**
* 删除元素中所有不需要的属性
*/
private function removeJunkAttr($RootNode, $Attr) {
$Tags = $RootNode->getElementsByTagName("*");

$i = 0;
while($Tag = $Tags->item($i++)) {
$Tag->removeAttribute($Attr);
}

return $RootNode;
}

/**
* 根据评分获取页面主要内容的盒模型
* 判定算法来自:http://code.google.com/p/arc90labs-readability/
* 这里由郑晓博客转发
* @return DOMNode
*/
private function getTopBox() {
// 获得页面所有的章节
$allParagraphs = $this->DOM->getElementsByTagName("p");

// Study all the paragraphs and find the chunk that has the best score.
// A score is determined by things like: Number of

's, commas, special classes, etc.
$i = 0;
while($paragraph = $allParagraphs->item($i++)) {
$parentNode = $paragraph->parentNode;
$contentScore = intval($parentNode->getAttribute(Readability::ATTR_CONTENT_SCORE));
$className = $parentNode->getAttribute("class");
$id = $parentNode->getAttribute("id");

// Look for a special classname
if (preg_match("/(comment|meta|footer|footnote)/i", $className)) {
$contentScore -= 50;
} else if(preg_match(
"/((^|\\s)(post|hentry|entry[-]?(content|text|body)?|article[-]?(content|text|body)?)(\\s|$))/i",
$className)) {
$contentScore += 25;
}

// Look for a special ID
if (preg_match("/(comment|meta|footer|footnote)/i", $id)) {
$contentScore -= 50;
} else if (preg_match(
"/^(post|hentry|entry[-]?(content|text|body)?|article[-]?(content|text|body)?)$/i",
$id)) {
$contentScore += 25;
}

// Add a point for the paragraph found
// Add points for any commas within this paragraph
if (strlen($paragraph->nodeValue) > 10) {
$contentScore += strlen($paragraph->nodeValue);
}

// 保存父元素的判定得分
$parentNode->setAttribute(Readability::ATTR_CONTENT_SCORE, $contentScore);

// 保存章节的父元素,以便下次快速获取
array_push($this->parentNodes, $parentNode);
}

$topBox = null;

// Assignment from index for performance.
// See http://www.peachpit.com/articles/article.aspx?p=31567&seqNum=5
for ($i = 0, $len = sizeof($this->parentNodes); $i < $len; $i++) { $parentNode = $this->parentNodes[$i];
$contentScore = intval($parentNode->getAttribute(Readability::ATTR_CONTENT_SCORE));
$orgContentScore = intval($topBox ? $topBox->getAttribute(Readability::ATTR_CONTENT_SCORE) : 0);

if ($contentScore && $contentScore > $orgContentScore) {
$topBox = $parentNode;
}
}

// 此时,$topBox 应为已经判定后的页面内容主元素
return $topBox;
}

/**
* 获取 HTML 页面标题
*
* @return String
*/
public function getTitle() {
$split_point = ' - ';
$titleNodes = $this->DOM->getElementsByTagName("title");

if ($titleNodes->length
&& $titleNode = $titleNodes->item(0)) {
// @see http://stackoverflow.com/questions/717328/how-to-explode-string-right-to-left
$title = trim($titleNode->nodeValue);
$result = array_map('strrev', explode($split_point, strrev($title)));
return sizeof($result) > 1 ? array_pop($result) : $title;
}

return null;
}

/**
* Get Leading Image Url
*
* @return String
*/
public function getLeadImageUrl($node) {
$images = $node->getElementsByTagName("img");

if ($images->length && $leadImage = $images->item(0)) {
return $leadImage->getAttribute("src");
}

return null;
}

/**
* 获取页面的主要内容(Readability 以后的内容)
*
* @return Array
*/
public function getContent() {
if (!$this->DOM) return false;

// 获取页面标题
$ContentTitle = $this->getTitle();

// 获取页面主内容
$ContentBox = $this->getTopBox();

//Check if we found a suitable top-box.
if($ContentBox === null)
throw new RuntimeException(Readability::MESSAGE_CAN_NOT_GET);

// 复制内容到新的 DOMDocument
$Target = new DOMDocument;
$Target->appendChild($Target->importNode($ContentBox, true));

// 删除不需要的标签
foreach ($this->junkTags as $tag) {
$Target = $this->removeJunkTag($Target, $tag);
}

// 删除不需要的属性
foreach ($this->junkAttrs as $attr) {
$Target = $this->removeJunkAttr($Target, $attr);
}

$content = mb_convert_encoding($Target->saveHTML(), Readability::DOM_DEFAULT_CHARSET, "HTML-ENTITIES");

// 多个数据,以数组的形式返回
return Array(
'lead_image_url' => $this->getLeadImageUrl($Target),
'word_count' => mb_strlen(strip_tags($content), Readability::DOM_DEFAULT_CHARSET),
'title' => $ContentTitle ? $ContentTitle : null,
'content' => $content
);
}

function __destruct() { }
}

使用起来也非常简单,实例化时传入网页的html源码和相应的编码,然后直接调用其getContent方法即可返回提取到的正文部分,提取出的文章中可能还会含有少部分链接,可以自己后期再修改。

       

本文采用知识共享署名-非商业性使用 3.0 中国大陆许可协议进行许可,转载时请注明出处及相应链接。

本文永久链接: https://www.zh30.com/html2article-php.html

php实现的网页正文提取算法:目前有16 条留言

用户评论头像 博主你好发表于 2020年11月06日 10:25[回复]

博主,这个太好了,可以加你了解一下吗,正需要抽取正文的算法

    用户评论头像 郑晓发表于 2020年11月06日 10:31[回复]

    这个类我也是从其它地方找的,并不是我写的,我也没研究过这种算法。

用户评论头像 braincy发表于 2017年09月26日 17:49[回复]

blog.sciencenet.cn/blog-76913-903050.html
这篇网站抓下来的内容为什么是乱码呀??

用户评论头像 心痛发表于 2017年09月11日 11:21[回复]

为什么我解析网页调用方法 不是超时就是 内存不足 有什么解决办法吗 是什么原因引起的呢 希望帮帮忙 谢谢博主!

用户评论头像 fansartg发表于 2017年02月23日 02:19[回复]

测试抓取新浪博客文章不行,抓取163博客内容失败,抓取普通网站页面成功,还是有待改进。

用户评论头像 贪得无厌的海牛发表于 2016年12月05日 20:58[回复]

非常抱歉,我实在是个小白,请问[实例化时传入网页的html源码和相应的编码,然后直接调用其getContent方法即可返回提取到的正文部分]可以麻烦您解释下具体怎么操作吗?

    用户评论头像 郑晓发表于 2016年12月06日 09:29[回复]

    比如你用file_get_contents()打开一个网页,它的返回值就是网页的html源码,我们把它保存到$content变量中, 然后就可以实例化这个正文提取类,如$obj=new Readability($content); 因为编码是默认的可以不传(这里假设我的目标站是utf8编码), 最后调用$obj->getContent(); 可以获取到正文内容。可以把它的返回值保存到你需要的变量中。

      用户评论头像 贪得无厌的海牛发表于 2016年12月10日 18:57[回复]

      太感谢了!我再试试!谢谢您的回复

      用户评论头像 孤寒的海星发表于 2016年12月26日 16:04[回复]

      我这样写了,没有内容显示

        用户评论头像 郑晓发表于 2016年12月26日 16:12[回复]

        收到你的评论后我直接测试了一遍,是没问题的,文章上面已经贴出测试代码。

          用户评论头像 恭顺的锅贴发表于 2016年12月26日 16:17[回复]

          我换了很多网站··可是结果只有出现一个Array,请问您知道原因么?谢谢

            用户评论头像 郑晓发表于 2016年12月26日 16:38[回复]

            你这是基础不过关啊… echo不能输出数组,你想打印数组需要用print_r。

用户评论头像 逍遥网发表于 2016年04月06日 10:27[回复]

文章很不错 欢迎访问 逍遥网xywos.com

用户评论头像 阿里百秀发表于 2014年12月10日 20:00[回复]

博主怎么最近没更新了

    用户评论头像 郑晓发表于 2014年12月17日 09:12[回复]

    这两天懒了,哈哈 :mrgreen:

用户评论头像 网络兼职发表于 2014年12月09日 15:29[回复]

感觉博主蛮厉害的样子

发表评论

change vcode