一个开源的正文提取程序

bjzhush

% U! Y# x7 T* e9 x
   最近尝试一些伪原创的东西,那么第一步就是要根据策略从一定的数据源抓取信息,然后整合,替换近义词,打乱什么的,
做的过程中,发现了一个非常不错的开源的PHP正文提取的开源程序,可以将正文内容提取出来,准确率还不错,尤其是对blog之类的,文章里的图片也没问题
有篇blog对这个介绍的比较详细,我就不在这里赘述了
9 g6 F$ F( V' Y
这里可以看详细的介绍以及DEMO :

1. http://urlshort.shuaizhu.com/1k2

复制代码

这里你可以输入一个URL进行测试:

1. http://urlshort.shuaizhu.com/1k3

复制代码

这里你可以直接下载程序安装到本地:

1. http://urlshort.shuaizhu.com/1k4

复制代码

PS:

2013年09月29日17:47:27 补充

4 ^9 W2 B4 p  S5 O0 a/ R/ @6 q

我今天发现,这个自带了HTML格式预览和json结构返回2种功能,之前没有仔细读readme,也没仔细看代码

2 C, T7 g: ?- K; t/ @, Z" F
8 A  l5 M# [3 e7 h$ s只需要在调用的url中加上  &type=json  即可以json格式返回提取的正文/标题/url !!!

$ @1 y+ t0 ^6 g8 G, Y
1 c; y$ j9 R; h, D

bjzhush

感谢 @mj23zyb  帮我编辑URL格式,以前论坛用的少,这个还不太熟,以后我会注意

阴天的下午

不错，好东西，刚试试了下网页版的还可以，不知道工具有无批量转换的功能。

bjzhush

阴天的下午 发表于 2013-9-28 22:31
不错，好东西，刚试试了下网页版的还可以，不知道工具有无批量转换的功能。 ...

9 @$ I1 _  |5 h: F. m) J这个东西做一个接口非常容易的
       $title   = $Data['title'];
. Y3 E7 p* S0 \1 R9 W# g0 l, Z5 @        $content = $Data['content'];
* o7 V* j/ D, S1 R        include 'template/reader.html';
这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
: n; U/ |& w6 o. P2 E% A7 v0 M        echo json_encode($Data);
就可以以json格式返回,那么需要批量的时候,直接每次调取就可以了
如果还不清楚,可以继续问
7 h! S' V* z, v, h% |/ j( ~" W, V

阿百川

自从用过这个之后，自己用的模板就全修改了一遍

JasonLee

感谢 真心很不错的 希望楼主以后能继续分享类似的

bjzhush

阿百川 发表于 2013-9-29 07:55
# B/ V! I' T" z$ o! r+ L- i自从用过这个之后，自己用的模板就全修改了一遍

" H) N; A: U. [" L3 }4 _) n+ E什么意思呢? 为什么要修改模板

阿百川

bjzhush 发表于 2013-9-29 11:07
什么意思呢? 为什么要修改模板

防止被这种程序提取内容

bjzhush

阿百川 发表于 2013-9-29 11:42
防止被这种程序提取内容

真的要扒你的站,你是防不住的
9 _+ P/ V/ X" L- z0 f- F不怕贼偷,就怕贼惦记,哈哈

bjzhush

阴天的下午 发表于 2013-9-28 22:31
不错，好东西，刚试试了下网页版的还可以，不知道工具有无批量转换的功能。 ...

: H. Z. n5 s1 M" J) o+ b我今天发现,这个自带了HTML格式预览和json结构返回2种功能,之前没有仔细读readme,也没仔细看代码
: f) s7 T* P0 g& P$ g, o1 R

5 q# x% ^( s% ^) P6 z只需要在调用的url中加上  &type=json  即可以json格式返回提取的正文/标题/url !!
4 r2 `1 ~. u* ^: s
今天刚刚发现的