这是一个创建于 3673 天前的主题，其中的信息可能已经有所发展或是发生改变。
类似 UC ，知乎日报这种，根据 URL 就能够自动提取出正文，然而每一个来源的排版都不同，该怎样去实现呢
 | 1 ss098 2015-09-26 13:55:14 +08:00 据个人推测可能是识别 schema.org 或者 HTML 5 的 Article 标签。 |
 | 2 9hills 2015-09-26 14:14:14 +08:00 搜正文提取算法，有很多文章和代码 |
 | 3 acoder2013 OP @9hills 看了几篇论文，采用了 cx-extractor ，正在考虑怎么把提取到的无标签正文恢复到原来的格式，尽量保持原来的图片，格式这些 |
 | 4 Bardon 2015-09-26 17:02:14 +08:00 很奇怪，在个人博客上，大部分文章能触发阅读模式，部分文章确在其中的代码部分被触发，而少量的文章压根不会被触发 <article>标签触发不靠谱 |
 | 5 zhicheng 2015-09-26 17:07:08 +08:00 TextArea.com 也支持阅读模式，几乎完美显示的，应该与 html 写法有关系吧。 |
 | 6 polythene 2015-09-26 17:59:09 +08:00  1 我做 hacker news digest ( http://www.hackernews.im/ )的时候也用到了正文提取，具体的实现你可以参考一下 https://github.com/polyrabbit/hacker-news-digest/tree/master/page_content_extractor 主要思想就是给标签打分，最终选出最有可能正文的那个标签。因为一个标签是不是正文你不能仅看它的名字，不能说这个标签是<article>就认为它是正文，还要看它的属性等别的因素。 |
 | 7 orcusfox 2015-09-27 09:33:56 +08:00 看数学之美啊 |
| 8 acoder2013 OP @polythene Python 就以前简单学了语法，看的好累 |
| 9 acoder2013 OP @napsterwu 这本书有讲这方面的吗，还没时间看 |
 | 11 paperpeper 2015-09-28 08:36:33 +08:00 我用过两个办法，简单一点的办法就是针对 html 分析，直接 xpath 提取，不过拓展性不好。还有一个办法就是对文章分片，提取特征获取正文，这种办法拓展性好，但是可能对某些网站还是会展示的不完美。 |
Select Language