一个开源的正文提取程序

bjzhush

& l# U# o6 {. L. E. u8 _   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

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 f6 F0 \; O/ u5 d9 N  C 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

' v: e# ]. h; D, D4 d3 @" p
! Z3 P, |! i3 a8 g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 !!!
2 @/ x. u1 j# x  y3 ?* S% 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
- K6 _1 O% e8 S3 N) |, U8 t/ Z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'];
        $content = $Data['content'];
        include 'template/reader.html';
这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
        echo json_encode($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
* ^) q6 Z1 S$ i! i2 m

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 ~# \, h0 {- g" u+ O' b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

3 n2 }0 I1 E9 E: Y2 g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
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
+ @- U2 X* _2 B2 h2 n# g/ |$ 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。 ...

+ l- }- f4 a7 R/ R. m8 t3 n7 r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 d2 {) |  e, e

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 !!
; `+ g' _. ?* J7 Q
0 a9 d$ i" D9 l" V8 [0 ^今天刚刚发现的