抓回一个页面的数据，如何匹配出正文部分，郑晓在下班路上想了个思路是：
1. 提取出body标签部分–>剔除所有链接–>剔除所有script、注释–>剔除所有空白标签(包括标签内不含中文的)–>获取结果。
2. 直接匹配出非链接的、 符合在div、p、h标签中的中文部分?
还是会有不少其它多余信息啊，比如底部信息等。。 如何搞?不知道大家有木有什么思路或建议?
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。
代码如下
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(/]*>/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 $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
http://www.bkjia.com/phpjc/919973.htmlwww.bkjia.comtruehttp://www.bkjia.com/phpjc/919973.htmltecharticlephp提取网页正文内容的例子 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...