因為難點在于如何去識別并保留網(wǎng)頁中的文章部分，而且刪除其它無用的信息，并且要做到通用化，不能像火車頭那樣根據(jù)目標站來制定采集規(guī)則，因為搜索引擎結果中有各種的網(wǎng)頁。

抓回一個頁面的數(shù)據(jù)，如何匹配出正文部分，鄭曉在下班路上想了個思路是：

1. 提取出body標簽部分–>剔除所有鏈接–>剔除所有script、注釋–>剔除所有空白標簽(包括標簽內(nèi)不含中文的)–>獲取結果。

2. 直接匹配出非鏈接的、 符合在div、p、h標簽中的中文部分???

還是會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議?

這個類是從網(wǎng)上找到的一個php實現(xiàn)的提取網(wǎng)頁正文部分的算法，鄭曉在本地也測試了下，準確率非常高。

代碼如下:

<?php

class readability {

// 保存判定結果的標記位名稱

const attr_content_score = contentscore;

// dom 解析類目前只支持 utf-8 編碼

const dom_default_charset = utf-8;

// 當判定失敗時顯示的內(nèi)容

const message_can_not_get = readability was unable to parse this page for content.;

// dom 解析類（php5 已內(nèi)置）

protected $dom = null;

// 需要解析的源代碼

protected $source = ;

// 章節(jié)的父元素列表

private $parentnodes = array();

// 需要刪除的標簽

// note: added extra tags from

private $junktags = array(style, form, iframe, script, button, input, textarea,

noscript, select, option, object, applet, basefont,

bgsound, blink, canvas, command, menu, nav, datalist,

embed, frame, frameset, keygen, label, marquee, link);

// 需要刪除的屬性

private $junkattrs = array(style, class, onclick, onmouseover, align, border, margin);

/**

* 構造函數(shù)

* @param $input_char 字符串的編碼。默認 utf-8，可以省略

*/

function __construct($source, $input_char = utf-8) {

$this->source = $source;

// dom 解析類只能處理 utf-8 格式的字符

$source = mb_convert_encoding($source, 'html-entities', $input_char);

// 預處理 html 標簽，剔除冗余的標簽等

$source = $this->preparsource($source);

// 生成 dom 解析類

$this->dom = new domdocument('1.0', $input_char);

try {

//libxml_use_internal_errors(true);

// 會有些錯誤信息，不過不要緊 :^)

if (encoding='.readability::dom_default_charset.'>'.$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) {

// ...

}

}

/**

* 預處理 html 標簽，使其能夠準確被 dom 解析類處理

*

* @return string

*/

private function preparsource($string) {

// 剔除多余的 html 編碼標記，避免解析出錯

preg_match(/charset=([＼w|＼-]+);?/, $string, $match);

if (isset($match[1])) {

$string = preg_replace(/charset=([＼w|＼-]+);?/, , $string, 1);

}

// replace all doubled-up <br> tags with <p> tags, and remove fonts.

$string = preg_replace(/<br＼/?>[ ＼r＼n＼s]*<br＼/?>/i, </p><p>, $string);

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

// @see

// - from

$string = preg_replace(#<script(.*?)>(.*?)</script>#is, , $string);

return trim($string);

}

/**

* 刪除 dom 元素中所有的 $tagname 標簽

*

* @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;

}

/**

* 刪除元素中所有不需要的屬性

*/

private function removejunkattr($rootnode, $attr) {

$tags = $rootnode->getelementsbytagname(*);

$i = 0;

while($tag = $tags->item($i++)) {

$tag->removeattribute($attr);

}

return $rootnode;

}

/**

* 根據(jù)評分獲取頁面主要內(nèi)容的盒模型

* 判定算法來自：

* 這里由鄭曉博客轉發(fā)

* @return domnode

*/

private function gettopbox() {

// 獲得頁面所有的章節(jié)

$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 <p>'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);

// 保存章節(jié)的父元素，以便下次快速獲取

array_push($this->parentnodes, $parentnode);

}

$topbox = null;

// assignment from index for performance.

// see

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;

}

}

// 此時，$topbox 應為已經(jīng)判定后的頁面內(nèi)容主元素

return $topbox;

}

/**

* 獲取 html 頁面標題

*

* @return string

*/

public function gettitle() {

$split_point = ' - ';

$titlenodes = $this->dom->getelementsbytagname(title);

if ($titlenodes->length

&& $titlenode = $titlenodes->item(0)) {

// @see

$title = trim($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;

}

/**

* 獲取頁面的主要內(nèi)容（readability 以后的內(nèi)容）

*

* @return array

*/

public function getcontent() {

if (!$this->dom) return false;

// 獲取頁面標題

$contenttitle = $this->gettitle();

// 獲取頁面主內(nèi)容

$contentbox = $this->gettopbox();

//check if we found a suitable top-box.

if($contentbox === null)

throw new runtimeexception(readability::message_can_not_get);

// 復制內(nèi)容到新的 domdocument

$target = new domdocument;

$target->appendchild($target->importnode($contentbox, true));

// 刪除不需要的標簽

foreach ($this->junktags as $tag) {

$target = $this->removejunktag($target, $tag);

}

// 刪除不需要的屬性

foreach ($this->junkattrs as $attr) {

$target = $this->removejunkattr($target, $attr);

}

$content = mb_convert_encoding($target->savehtml(), readability::dom_default_charset, html-entities);

// 多個數(shù)據(jù)，以數(shù)組的形式返回

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() { }

}

使用起來也非常簡單，實例化時傳入網(wǎng)頁的html源碼和相應的編碼，然后直接調(diào)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還會含有少部分鏈接，可以自己后期再修改

更多信息請查看IT技術專欄