一个开源的正文提取程序

bjzhush

: C: f8 a  p% Z   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
9 c, o( m0 h: z$ s5 r# r: b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:

8 }* [! h+ }2 Z3 Z) N2013年09月29日17:47:27 补充

. E! y2 m$ E6 S" n  d
- y2 ]4 }7 x$ Y- r
- w, s  }% c2 z+ ^3 ^% F 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

3 t! o% z3 V' O' A' \
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 !!!
; k1 s' M6 s2 D4 O

8 F/ I) n& \. [; d9 m, C* p

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。 ...

$ B6 J7 N$ A9 |! `8 A这个东西做一个接口非常容易的
, p( K1 F1 V2 X$ [8 F) I       $title   = $Data['title'];
: ]2 y2 q, Z0 f" _9 |        $content = $Data['content'];
        include 'template/reader.html';
这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
. H4 D- j9 u9 I9 h, G0 }6 h4 ]1 `) ~9 H        echo json_encode($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

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

% _4 n' O- q0 @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

( X" D; J  J- d- F真的要扒你的站,你是防不住的
+ ?0 K6 N: K5 D2 M4 r% P. 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
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。 ...

  j" _/ B1 f% A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

+ ?/ C- g* i+ B  g2 x
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 !!

& ]' k; e& o+ A3 r9 h. y5 U今天刚刚发现的