网页正文提取

我为开源做贡献，网页正文提取——Html2Article

2014-1-7 14:38|发布者: 红黑魂|查看: 16722|评论: 4|原作者: StanZhai|来自: 博客园

摘要: 为什么要做正文提取一般做舆情分析，都会涉及到网页正文内容提取。对于分析而言，有价值的信息是正文部分，大多数情况下，为了便于分析，需要将网页中和正文不相干的部分给剔除。可以说正文提取的好坏，直接影响了分 ...

为什么要做正文提取

一般做舆情分析，都会涉及到网页正文内容提取。对于分析而言，有价值的信息是正文部分，大多数情况下，为了便于分析，需要将网页中和正文不相干的部分给剔除。可以说正文提取的好坏，直接影响了分析结果的好坏。

对于特定的网站，我们可以分析其html结构，根据其结构来获取正文信息。先看一下下面这张图：

正文部分，不同的网站，正文所在的位置不同，并且Html的结构也不同，对于

爬虫而言，抓取的页面是各种各样的，不可能针对所有的页面去写抓取规则来提取正文内容，因此需要一种通用的算法将正文提取出来。

现有的网页正文提取算法

∙基于标签用途的正文提取算法（比如title或h1,h2标签一般用作标题，p一

般表示正文段落，根据标签的含义去提取正文）

∙基于标签密度判定（这个简单，说白了就是字符统计，正文部分html标签的密度比较低，确定一个阈值，按照标签密度提取正文部分）

∙基于数据挖掘思想的网页正文抽取方法（这里会涉及到统计学和概率论的一些知识，在高深点就成了机器学习了，没有深入研究）

∙基于视觉网页块分析技术的正文抽取（CV这种高端大气上档次的东西，岂是

我等这么容易就能研究明白的。虽然实现上复杂，但就提取效果而言，这种方法提取的精度还是不错的）

前2中方法还是比较容易实现的，主要是处理简单，先前我把标签密度的提取算法实现了，但实际用起来错误率还是蛮高的；后2种方法在实现上就略复杂了，从算法效率上讲应该也高不了哪去。

我们需要的是一种简单易实现的，既能保证处理速度，提取的准确率也不错的算法。于是结合前两种算法，研究网页html页面结构，有了一种比较好的处理思

路，权且叫做基于文本密度的正文提取算法吧。后来从网上找了一下类似的算法，发现也有使用类似的处理方法来处理正文提取的，不过还是有些不同。接下来跟大家分享一下这个算法的一些处理思想。

网页分析

我任意取了百度，搜狐，网易的一篇新闻类网页，拿来作分析。

先看一篇百度的文章

任正非为什么主动与我合影，/article/2011

首先请求这个页面，然后过滤到所有的html标签，只保留文本信息，我们可以

看到正文信息集中在一下位置：

使用Excel分析行数与每行的字符的关系可以发现：

很明显，正文内容集中在65-100行之间的位置上，而这个区间的字符数也是比较密集的。

再来一篇网易的文章

张小龙神话已破灭马化腾该接管微信了，/13/1230/10/9HB88VE600094NRG.html

还是先看下过滤html标签后的正文部分：

再来一个Excel的分析结果：

正文部分集中在279-282行之间，从图上看，也正是这么几行的文本密度特别高。

最后分析一篇搜狐的新闻

李克强天津调研考察的几个瞬间，/20131229/n392604462.shtml

还是先看下过后标签后的正文：

再看下Excel的分析结果：

而搜狐的这篇文章正文部分主要集中在200-255行之间。其余的文本全部是杂乱的标签文本。

抱歉，漏了很重要的一点说明：为什么分析的时候要把html标签过滤掉呢？过滤html标签是为了降低干扰，因为我们关注的是正文内容，如果带着这样的标签var chart = new去分析，可想而知，对我们的正文分析会有多大的干扰了，也正因如此需要将html标签掉，只对文本做分析，降低干扰。

基于网页分析构思出的正文提取算法

回顾以上的网页分析，如果按照文本密度来找提取正文，那么就是写这么一个算法，能够从过滤html标签后的文本中找到正文文本的起止行号，行号之间的文

本就是网页正文部分。

还是从上面三个网页的分析结果看，他们都有这么一个特性：正文部分的文本密

度要高出非正文部分很多。我们按照这个特性就可以很容易将算法实现，那就是

基于阈（读音：yu）值去分析正文所在的位置。

那么接下来就需要解决一些问题：

∙如何确定阈值？

∙如何分析，一行行的分析？还是？

阈值的确定可以通过统计分析得出一个比较好的值，我在实际处理过程中，发现

这个值取180是比较合适的，也就是分析文本的时候，如果所分析的文本超过

了180，那么就可以认为到达了正文部分。

再有就是如何分析的问题，这个其实比较容易确定，一行行的分析效果肯定不好，如果在按行分析的过程中往下在分析几行作为一次分析效果比较好。也就是一次

性分析上5行左右，将字符累加起来，看看有没有达到设定的阈值，如果达到

了，那么认为已经进入正文部分了。

嗯，主要的处理逻辑就是这样，怎么样，不复杂吧。

我把实现的核心算法也贴出来吧：

int preTextLen = 0; // 记录上一次统计的字符数量（lines就是

去除html标签后的文本，_limitCount是阈值，_depth是我们要分析的深度，sb用于记录正文）int startPos = -1; // 记录文章正文的起始位

置for(int i = 0; i < lines.Length - _depth; i++){ int len = 0; for (int j = 0; j < _depth; j++) { len += lines[i + j].Length; } if (startPos == -1) // 还没有找到文章起始位置，需要判断起始位置 { if(preTextLen > _limitCount && len > 0) // 如果上次查找的文本数量超过了限定字数，且当前行数字符数不为0，则认为是开始位置 { // 查找文章起始位置, 如果向上查找，发现2行连续的空行则认为是头部int emptyCount = 0; for (int j = i - 1; j > 0; j--) { if (String.IsNullOrEmpty(lines[j]))

{ emptyCount++; } else{ emptyCount = 0; } if(emptyCount ==

_headEmptyLines) { startPos = j +

_headEmptyLines;

break; } } // 如果没有定位到文

章头，则以当前查找位置作为文章头if (startPos == -1) { startPos = i; } // 填充发现的

文章起始部分for(int j = startPos; j <= i; j++)