基于逻辑行和最大接纳距离的网页正文抽取 -

yuan_xulong

浏览: 89645 次
性别:
来自: 北京

最近访客更多访客>>

wenger.xu

qsjiangs

kismilan

cyhpal

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

基于逻辑行和最大接纳距离的网页正文抽取

博客分类：

算法类

算法 JavaScript HTML 脚本数据结构

最近由于工作的需要，在网上查找了一些关于网页内容抽取的资料，其中“基于逻辑行和最大接纳距离的网页正文抽取”的算法易于实现且抽取效果较好，故编写代码实现，以下描述该算法。

　　算法的基本思路：

　　人们在编写HTML网页时，几乎都会遵循这样的规则：

　　1.以行为单位编写HTML代码，也就是说HTML中的每一行大都表示一个相对完整的语义。

　　2.正文代码通常在物理位置上都会靠得很近，也就是正文代码是连续的，或者是间断连续的。

　　3.正文中每一行大都是中文，HTML标签的字数的比率较小。

　　4.正文代码中非HTML标签的文字数量较多。

　　5.正文代码中一行中超链接长度所占比率不会很大。

相关定义：

　　1.逻辑行：按照行来读取字符流，如果在行中“<”符号和“>”相等，则该行是一个完整的逻辑行，反之则不是一个完整的逻辑行，如果不是逻辑行，则需要读入下一行，直至是一个完整的逻辑行为止。

　　2.TR（行内文本比率）：在一个逻辑行中，不含HTML标签的文本字节数与逻辑行总字符数的比值。经过试验，TR值小于0.42的行不被认为是文本内容，会被过滤掉。

　　3.TN（行内文本数）：在一个逻辑行中，不含HTML标签的文本字节数。一般情况下，认为TN大于25是一个文本内容，小于25的将被过滤掉，个人使用时，认为使用10比较合适。

　　4.LR（行内超链接比率）：在一个逻辑行中，超链接的字节数与逻辑行总字节数的比率，一般情况下，认为LR大于0.75的逻辑将不认为是文章内容，将会被过滤。

　　本算法可以分为两部分，第一部分来文本预处理，第二部分在第一部分的基础上实现文本抽取。

　　1.预处理：有了以上依据还不足以抽取网页正文，比如HTML注释，javascript脚本等非网页正文在很多情况下也会符合上述规则，这就严重影响了正文抽取的准备性。所以在内容抽取之前，需要过滤掉这些明显的非网页正文。具体过滤的包括以下几项：

　　（1）HTML内容中<body>之前内容。

　　（2）内部样式表内容，即<style>....</style>样式块。

　　（3）JavaScript脚本，即<script ...>....</script>。

　　（4）HTML注释。

　　2.文本抽取：经过预处理后，根据以上设定的几个指标的阀值，很容易可以过滤掉不符合网页正文的逻辑行，留下的文本，即可大致认为是网页正文，为了更形象的说明网页逻辑行的选取情况，可以定义一个数组或其它数据结构，描述如下：FS＝{f1,f2...fi..,fn}，其中i表示网页中的逻辑行，n代表网页逻辑行的个数。fi的值有两个，0，代表该行被过滤，1，代表该行被选取。FS的形式如下：{0，1，1，1，1，0，0，0，0，1，1，0}，可以发现，网页中的连续段落经常会有多个，根据“网页中的正文是连续的或者是间断连续的”，可以知道这其中某一段落或者多个段落都是网页正文。但是正文中也有可能包含一些非正文的内容，导致正文中断，所以在此处引入“最大接纳距离MaxAD”的概念，定义：在FS集合中，可以接纳的两个标记为1之间的最大位置之差，在这两个标记中的0可以修正为1。经过测试，发现MaxAD为2比较合适。根据MaxAD的值，对FS的的集合值进行修正，修正完成后，连续的最长的选取的内容即是网页要抽取的内容。

　　原帖见http://www.doc88.com/p-69317315375.html。

分享到：