一个开源的正文提取程序

bjzhush

" @/ J6 D! f/ Y0 \
( A- [# j1 M# c, B+ ^! y   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
1 o! g: u) C: E  U
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

* |6 B) ?7 O2 I/ H* h
) l" k% R/ I/ [+ f7 {/ @/ ~
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
; X+ g' {; p* q' S* z
  |! G; A- t0 H7 u, U. o# A
0 A. N2 J: J. V" J* @2 K6 q% z9 O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 !!!

; E7 I4 P2 e1 o

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
3 H8 `9 ]0 w7 P1 E1 ]( k& F# y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'];
' P  t/ N# a# [! Q, N        $content = $Data['content'];
, w# r, P, o% o        include 'template/reader.html';
* o5 c( X, V( s这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
        echo json_encode($Data);
( I" g9 U, ~6 j3 n7 p4 ^) M2 p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
/ A7 q  k8 t; n/ G7 y, w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
1 [" p# y% t4 H什么意思呢? 为什么要修改模板

1 V3 ~! d# `, ?; E: }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
5 }, W8 @) J# `# z/ V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
4 Y) u$ ~1 v' L* B7 \+ _& C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。 ...

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

0 W4 u) |# z/ o$ Q! o% z/ N: T
, B3 g0 [$ `% J' u9 f& v) \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 !!
. Z" f3 u0 d$ |
) d" k. f9 V: G2 x5 {/ x# q今天刚刚发现的