一个开源的正文提取程序

bjzhush

2 J/ V1 h3 R7 X9 O+ c: C   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
% z0 @' F# _/ h8 y6 X' B( H
4 a& j1 s  R: o& j, E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:
& v; P' e9 L, b' n
2 ]0 [$ Q5 x* p+ A& M2013年09月29日17:47:27 补充

( _% k# |6 \. Y3 H( A
; f  ?1 ]# Q2 e( y+ O! p
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
, F8 x" }8 l. J

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 !!!


5 W3 B$ |# r8 r+ s  ~

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。 ...

这个东西做一个接口非常容易的
       $title   = $Data['title'];
6 E8 @* x3 c4 n# c# D        $content = $Data['content'];
        include 'template/reader.html';
* }5 T- ~/ {, |5 Z6 l这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
        echo json_encode($Data);
4 A  Y4 ^; B: e  |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
9 Y: d  `$ ~: C) H0 A如果还不清楚,可以继续问
8 E& l6 B5 h. a5 M! w

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

  R3 a1 G  c: [2 D. T! V2 Z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
% {& ]; Q$ [3 |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

( H) o7 C; ^2 m1 @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
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。 ...

5 @6 K: j' T, ]/ T: B/ q0 E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

6 v6 r9 m2 y1 p5 ^
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 !!

今天刚刚发现的