怎么用python實現精準搜索并提取網頁核心內容

這篇文章主要講解了“怎么用python實現精準搜索并提取網頁核心內容”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“怎么用python實現精準搜索并提取網頁核心內容”吧！

生成PDF

開始想了一個取巧的方法，就是利用工具（wkhtmltopdf[2]）將目標網頁生成 PDF 文件。

好處是不必關心頁面的具體形式，就像給頁面拍了一張照片，文章結構是完整的。

雖然 PDF 是可以源碼級檢索，但是，生成 PDF 有諸多缺點：

耗費計算資源多、效率低、出錯率高，體積太大。

幾萬條數據已經兩百多G，如果數據量上來光存儲就是很大的問題。

提取文章內容

不生成PDF，有簡單辦法就是通過 xpath[3] 提取頁面上的所有文字。

但是內容將失去結構，可讀性差。更要命的是，網頁上有很多無關內容，比如側邊欄，廣告，相關鏈接等，也會被提取下來，影響內容的精確性。

為了保證有一定的結構，還要識別到核心內容，就只能識別并提取文章部分的結構了。像搜索引擎學習，就是想辦法識別頁面的核心內容。

我們知道，通常情況下，頁面上的核心內容（如文章部分）文字比較集中，可以從這個地方著手分析。

于是編寫了一段代碼，我是用 Scrapy[4] 作為爬蟲框架的，這里只截取了其中提取文章部分的代碼 ：

divs = response.xpath("body//div")
sel = None
maxvalue = 0
for d in divs:
  ds = len(d.xpath(".//div"))
  ps = len(d.xpath(".//p"))
  value = ps - ds
  if value > maxvalue:
    sel = {
      "node": d,
      "value": value
    }
    maxvalue = value 
print("".join(sel['node'].getall()))

• response 是頁面的一個響應，其中包含了頁面的所有內容，可以通過 xpath 提取想要的部分

• "body//div" 的意思是提取所以 body 標簽下的 div 子標簽，注意：// 操作是遞歸的

• 遍歷所有提取到的標簽，計算其中包含的 div 數量，和 p 數量

• p 數量 和 div 數量的差值作為這個元素的權值，意思是如果這個元素里包含了大量的 p 時，就認為這里是文章主體

• 通過比較權值，選擇出權值最大的元素，這便是文章主體

• 得到文章主體之后，提取這個元素的內容，相當于 jQuery[5] 的 outerHtml

簡單明了，測試了幾個頁面確實挺好。

不過大量提取時發現，很多頁面提取不到數據。仔細查看發現，有兩種情況。

• 有的文章內容被放在了 <article> 標簽里了，所以沒有獲取到

• 有的文章每個 <p> 外面都包裹了一個 <div>，所以 p 的數量 和 div 的抵消了

再調整了一下策略，不再區分 div，查看所有的元素。

另外優先選擇更多的 p，在其基礎上再看更少的 div。調整后的代碼如下：

divs = response.xpath("body//*")
sels = []
maxvalue = 0
for d in divs:
  ds = len(d.xpath(".//div"))
  ps = len(d.xpath(".//p"))
  if ps >= maxvalue:
    sel = {
      "node": d,
      "ps": ps,
      "ds": ds
    }
    maxvalue = ps
    sels.append(sel)
 
sels.sort(lambda x: x.ds)
 
sel = sels[0]
 
print("".join(sel['node'].getall()))

• 方法主體里，先挑選出 p 數量比較大的節點，注意 if 判斷條件中 換成了 >= 號，作用時篩選出同樣具有 p 數量的結點

• 經過篩選之后，按照 div 數量排序，然后選取 div 數量最少的

經過這樣修改之后，確實在一定程度上彌補了前面的問題，但是引入了一個更麻煩的問題。

就是找到的文章主體不穩定，特別容易受到其他部分有些 p 的影響。

選擇最優

既然直接計算不太合適，需要重新設計一個算法。

我發現，文字集中的地方是往往是文章主體，而前面的方法中，沒有考慮到這一點，只是機械地找出了最大的 p。

還有一點，網頁結構是個顆 DOM 樹[6]

那么越靠近 p 標簽的地方應該越可能是文章主體，也就是說，計算是越靠近 p 的節點權值應該越大，而遠離 p 的結點及時擁有很多 p 但是權值也應該小一點。

經過試錯，最終代碼如下：

def find(node, sel):
    value = 0
    for n in node.xpath("*"):
        if n.xpath("local-name()").get() == "p":
            t = "".join([s.strip() for s in (n.xpath('text()').getall() + n.xpath("*/text()").getall())])
            value += len(t)
        else:
            value += find(n, a)*0.5
    if value > sel["value"]:
        sel["node"] = node
        sel["value"] = value
    return value
 
sel = {
    'value': 0,
    'node': None
}
find(response.xpath("body"), sel)

• 定義了一個 find 函數，這是為了方便做遞歸，第一次調用的參數是 body 標簽，和前面一樣

• 進入方法里，只找出該節點的直接孩子們，然后遍歷這些孩子

• 判斷如果孩子是 p 節點，提取出其中的所有文字，包括子節點的，然后將文字的長度作為權值

• 提取文字的地方比較繞，先取出直接的文本，和間接文本，合成 list，對每部分文本做了去除前后空字符，最后合并為一個字符串，得到了所包含的文本

• 如果孩子節點不是 p，就遞歸調用 find 方法，而 find 方法返回的是 指定節點所包含的文本長度

• 在獲取子節點的長度時，做了縮減處理，用以體現距離越遠，權值越低的規則

• 最終通過 引用傳遞的 sel 參數，記錄權值最高的節點

通過這樣改造之后，效果特別好。

為什么呢？其實利用了密度原理，就是說越靠近中心的地方，密度越高，遠離中心的地方密度成倍的降低，這樣就能篩選出密度中心了。

50% 的坡度比率是如何得到的呢？

其實是通過實驗確定的，剛開始時我設置為 90%，但結果時 body 節點總是最優的，因為 body 里包含了所有的文字內容。

反復實驗后，確定 50% 是比較好的值，如果在你的應用中不合適，可以做調整。

感謝各位的閱讀，以上就是“怎么用python實現精準搜索并提取網頁核心內容”的內容了，經過本文的學習后，相信大家對怎么用python實現精準搜索并提取網頁核心內容這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！