一个开源的正文提取程序

bjzhush

$ G4 M+ F: r/ K
. k7 _0 x5 i/ B/ e7 T$ m3 Q   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,
6 U9 y5 A2 ^& N5 w! `3 x. E( I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
% q) E& ~) d. ]; ]. I& l有篇blog对这个介绍的比较详细,我就不在这里赘述了

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:

- D! j1 P( F. w$ h0 @5 z# o2 ?2013年09月29日17:47:27 补充
# w2 L- ?/ R/ N% t: I
, W' G4 X8 E2 f8 d

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


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 N1 R* V, ?  l/ b  k9 I- i8 M

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。 ...

/ ]  G. V! O+ B8 s( Y" [: i这个东西做一个接口非常容易的
       $title   = $Data['title'];
        $content = $Data['content'];
7 o+ ?5 u5 _8 S0 b        include 'template/reader.html';
这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
4 S7 K3 Y- u' n/ d        echo json_encode($Data);
# ~" b+ }' R6 j) `. E( Z" C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

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
自从用过这个之后，自己用的模板就全修改了一遍

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
# f) Z0 \% a! x0 K+ q防止被这种程序提取内容

真的要扒你的站,你是防不住的
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
- K  D* t9 H/ L$ R/ I$ V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。 ...

; Y* K" d0 @6 M( E9 I% K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
9 d$ e4 J. H& _  Z" I

( K# k( l$ o# i# a9 V. l& C0 q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 !!

" r3 }) N9 x2 P+ ~( v今天刚刚发现的