crawler_基于块儿统计正文抽取_改进版


import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import java.util.regex.Pattern;

/**
* <p>
* 在线性时间内抽取主题类(新闻、博客等)网页的正文。 采用了<b>基于行块分布函数</b>的方法,为保持通用性没有针对特定网站编写规则。
* </p>
*
* @author Chen Xin([email protected]) Created on 2009-1-11 Updated on
* 2010-08-09
* @note cphmvp 优化性能提速三倍,优化列表页中含其它标签识别 2014-6-5 11:53:33
*/
public class TextExtract {

private List<String> lines;
private final static int blocksWidth = 3;
private int threshold;
private String html;
private boolean flag;
private int start;
private int end;
private StringBuilder text;
private ArrayList<Integer> indexDistribution;

public TextExtract() {
lines = new ArrayList<String>();
indexDistribution = new ArrayList<Integer>();
text = new StringBuilder();
flag = false;
/* 当待抽取的网页正文中遇到成块的新闻标题未剔除时,只要增大此阈值即可。 */
/* 阈值增大,准确率提升,召回率下降;值变小,噪声会大,但可以保证抽到只有一句话的正文 */
threshold = -1;
}

/**
* 抽取网页正文,不判断该网页是否是目录型。即已知传入的肯定是可以抽取正文的主题类网页。
*
* @param _html
* 网页HTML字符串
*
* @return 网页正文string
*/
public String parse(String _html) {
return parse(_html, false);
}

/**
* 判断传入HTML,若是主题类网页,则抽取正文;否则输出<b>"unkown"</b>。
*
* @param _html
* 网页HTML字符串
* @param _flag
* true进行主题类判断, 省略此参数则默认为false
*
* @return 网页正文string<br/>
* @note 2014年6月4日11:55:51 修复图片标签空格处理 cphmvp
*/
public String parse(String _html, boolean _flag) {
flag = _flag;
html = _html;
html = preProcess(html);
// System.out.println(html);
return getText().replaceAll("imgsrc=", "img src=");
}

private static int FREQUENT_URL = 30;
private static Pattern links = Pattern
.compile(
"<[aA]\\s+[Hh][Rr][Ee][Ff]=[\"|\‘]?([^>\"\‘ ]+)[\"|\‘]?\\s*[^>]*>([^>]+)</a>(\\s*.{0,"
+ FREQUENT_URL
+ "}\\s*<a\\s+href=[\"|\‘]?([^>\"\‘ ]+)[\"|\‘]?\\s*[^>]*>([^>]+)</[aA]>){2,100}",
Pattern.DOTALL);

private static String preProcess(String source) {

source = source.replaceAll("(?is)<!DOCTYPE.*?>", "");
source = source.replaceAll("(?is)<!--.*?-->", ""); // remove html
// comment
source = source.replaceAll("(?is)<script.*?>.*?</script>", ""); // remove
// javascript
source = source.replaceAll("(?is)<style.*?>.*?</style>", ""); // remove
// css
source = source.replaceAll("&.{2,5};|&#.{2,5};", " "); // remove special
// char

// 剔除连续成片的超链接文本(认为是,广告或噪音),超链接多藏于span中
source = source.replaceAll("<[sS][pP][aA][nN].*?>", "");
source = source.replaceAll("</[sS][pP][aA][nN]>", "");

// int len = source.length();
// while ((source = links.matcher(source).replaceAll("")).length() !=
// len) {
// len = source.length();
// }
// ;
// 提升性能三倍 cphmvp
source = source.replaceAll(" ", "");
// [\\s\\S]{0,30} 用以表示a之间的间隙容忍度
String regex = "<[a|A][^>]*?>[^>]+</[a|A]>(?:\\s*[\\s\\S]{0,30}\\s*<[a|A][^>]*?>[^>]+</[a|A]>){2,100}";
source = source.replaceAll(regex, "");
// continue;

// source = links.matcher(source).replaceAll("");

// 防止html中在<>中包括大于号的判断
source = source.replaceAll("<[^>‘\"]*[‘\"].*[‘\"].*?>", "");

source = source.replaceAll("<.*?>", "");
source = source.replaceAll("<.*?>", "");
source = source.replaceAll("\r\n", "\n");

return source;

}

private String getText() {
lines = Arrays.asList(html.split("\n"));
indexDistribution.clear();

int empty = 0;// 空行的数量
for (int i = 0; i < lines.size() - blocksWidth; i++) {

if (lines.get(i).length() == 0) {
empty++;
}

int wordsNum = 0;
for (int j = i; j < i + blocksWidth; j++) {
lines.set(j, lines.get(j).replaceAll("\\s+", ""));
wordsNum += lines.get(j).length();
}
indexDistribution.add(wordsNum);
// System.out.println(wordsNum);
}
int sum = 0;

for (int i = 0; i < indexDistribution.size(); i++) {
sum += indexDistribution.get(i);
}
// 正文全部script情况,抽取不到正文
if (indexDistribution.size() == 0)
return "";
threshold = Math.min(100, (sum / indexDistribution.size()) << (empty
/ (lines.size() - empty) >>> 1));
threshold = Math.max(50, threshold);

start = -1;
end = -1;
boolean boolstart = false, boolend = false;
boolean firstMatch = true;// 前面的标题块往往比较小,应该减小与它匹配的阈值
text.setLength(0);

StringBuilder buffer = new StringBuilder();
for (int i = 0; i < indexDistribution.size() - 1; i++) {

if (firstMatch && !boolstart) {
if (indexDistribution.get(i) > (threshold / 2) && !boolstart) {
if (indexDistribution.get(i + 1).intValue() != 0
|| indexDistribution.get(i + 2).intValue() != 0) {
firstMatch = false;
boolstart = true;
start = i;
continue;
}
}

}
if (indexDistribution.get(i) > threshold && !boolstart) {
if (indexDistribution.get(i + 1).intValue() != 0
|| indexDistribution.get(i + 2).intValue() != 0
|| indexDistribution.get(i + 3).intValue() != 0) {
boolstart = true;
start = i;
continue;
}
}
if (boolstart) {
if (indexDistribution.get(i).intValue() == 0
|| indexDistribution.get(i + 1).intValue() == 0) {
end = i;
boolend = true;
}
}

if (boolend) {
buffer.setLength(0);
// System.out.println(start+1 + "\t\t" + end+1);
for (int ii = start; ii <= end; ii++) {
if (lines.get(ii).length() < 5)
continue;
buffer.append(lines.get(ii) + "\n");
}
String str = buffer.toString();
// System.out.println(str);
if (str.contains("Copyright") || str.contains("版权所有"))
continue;
text.append(str);
boolstart = boolend = false;
}
}

if (start > end) {
buffer.setLength(0);
int size_1 = lines.size() - 1;
for (int ii = start; ii <= size_1; ii++) {
if (lines.get(ii).length() < 5)
continue;
buffer.append(lines.get(ii) + "\n");
}
String str = buffer.toString();
// System.out.println(str);
if ((!str.contains("Copyright")) || (!str.contains("版权所有"))) {
text.append(str);
}
}

return text.toString();
}

public static void main(String[] args) {
System.out.println("===============");
String s = "<img class=‘fit-image‘ onload=‘javascript:if(this.width>498)this.width=498;‘ />hello";
// source = source.replaceAll("<[^‘\"]*[‘\"].*[‘\"].*?>", "");
System.out.println(TextExtract.preProcess(s));
}
}

crawler_基于块儿统计正文抽取_改进版

时间: 2024-12-13 09:57:03

crawler_基于块儿统计正文抽取_改进版的相关文章

网页正文抽取

转自丕子:http://www.zhizhihu.com/html/y2013/4202.html 总结我用过的网页正文抽取工具: decruft http://t.cn/S7bVEC python-readabilityhttp://t.cn/zYeoZ8b boilerpipe http://t.cn/h41EEs python-boilerpipehttp://t.cn/zYeoyPw pismo http://t.cn/zYeoyP2 Goose http://t.cn/zYeoZ8G 

基于区间统计的颜色直方图图像匹配算法

算法的原理在: 点击打开链接 原理大概意思是:将R,G,B各分量信息 颜色信息划分为 N 区间. 例如下图:4X4X4 的区间   red 0-63 64-127 128-191 192-255 blue 0-63 43 78 18 0 64-127 45 67 33 2 128-191 127 58 25 8 192-255 140 47 47 13 在统计 各个区间内的像素数: ... MATLAB 代码实现 就算函数是dhist.m 文件 参数 bins 是需要划分的区间,filename

[个人网站搭建]&#183;极简方式统计个人网页访问量(基于百度统计)

[个人网站搭建]·极简方式统计个人网页访问量(基于百度统计) 个人主页--> https://xiaosongshine.github.io/ 个人网站搭建github地址:https://github.com/xiaosongshine/djangoWebs 建好了网站,我们可以利用百度统计,可以很简单的看到自己网页的被访问次数. 使用方式也特别简单,只需要注册百度统计账户,然后把一段代码拷贝到你的网页里,十分简单方便. 实践演示照片: ? 1.注册百度统计站长版 百度搜索"百度统计&q

基于文本密度的新闻正文抽取方法之Python实现

参考文章链接: http://www.cnblogs.com/jasondan/p/3497757.html http://d.wanfangdata.com.cn/Patent/CN201410007832.6/ 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

网页正文抽取(包含提取图片)

转自:http://bbs.it-home.org/thread-12676-1-1.html /** *@author Xin Chen *Created on 2009-11-11 *Updated on 2010-08-09 *Email: [email protected] *Blog: http://hi.baidu.com/爱心同盟_陈鑫 *Modified By : Yang @ http://www.chainlt.com */ import java.util.ArrayLis

基于图的关键词抽取

项目研究背景: 在关键词抽取研究中,最常用的一种方法就是通过计算一篇文档中词语的TF-IDF值(term frequency-inverse document frequency),并对它们进行排序选取TopK个作为关键词,这是一种无监督的方法.另外一种方法是通过有监督的方法,通过训练学习一个分类器,将关键词抽取问题转化为对每个词语的二分类问题,从而选择出合适的关键词. 无监督和有监督各有各的优势和缺点:无监督学习,不需要人工标注,训练集合的过程,因此更加方便和快捷:然而监督学习的方法,在进行了

异常检测(2)——基于概率统计的异常检测(1)

某个工厂生产了一批手机屏幕,为了评判手机屏幕的质量是否达到标准,质检员需要收集每个样本的若干项指标,比如大小.质量.光泽度等,根据这些指标进行打分,最后判断是否合格.现在为了提高效率,工厂决定使用智能检测进行第一步筛选,质检员只需要重点检测被系统判定为“不合格”的样本. 智能检测程序需要根据大量样本训练一个函数模型,也许我们的第一个想法是像监督学习那样,为样本打上“正常”和“异常”的标签,然后通过分类算法训练模型.假设xtest是数据样本,predict(xtest)来判断xtest是否是合格样

Oracle 分组统计,抽取每组前十

/**2018年6月14日 潮州ORACEL 统计2017年用电量,按行业分类抽取用电量前十*/select * from (select t.yhbh 用户编号, t.yhmc 用户名称, t.jldbh 计量点编号, (select m.dmbmmc from npmis_xt_dmbm m where m.dmfl = 'YDLXDM' and m.dmbm = t.ydlbdm) 用电类型, (select m.dmbmmc from npmis_xt_dmbm m where m.dm

Codevs_1040_[NOIP2001]_统计单词个数_(划分型动态规划)

描述 http://codevs.cn/problem/1040/ 与Codevs_1017_乘积最大很像,都是划分型dp. 给出一个字符串和几个单词,要求将字符串划分成k段,在每一段中求共有多少单词(两个单词不能共享第一个字母),将每一段中的单词个数相加,求最大值. 1040 统计单词个数 2001年NOIP全国联赛提高组 时间限制: 1 s 空间限制: 128000 KB 题目等级 : 黄金 Gold 题目描述 Description 给出一个长度不超过200的由小写英文字母组成的字母串(约