一个开源的正文提取程序

bjzhush

; m' Y( s& K, g8 L& r: k! s
   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,
; r6 s- v# K3 j# I1 E0 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
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

* H* c9 o/ |  |' ]4 o% k" ^

0 {; J( s4 k$ _# u* B 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

! q- k: i- g( _7 \
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 !!!


# ~$ h( m( U2 N* T% a

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
+ q# ]9 w7 x! 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。 ...

0 X: P0 V. R6 C这个东西做一个接口非常容易的
- y" m' F4 T  `& V% s! p& B6 \. X       $title   = $Data['title'];
6 z; S* S" G& ^. h0 O3 {4 H8 b        $content = $Data['content'];
        include 'template/reader.html';
" b7 X2 M& o. E- ]. u! d这是index.php的最后的部分,只需要把include所在的一行注释掉,然后加一行
        echo json_encode($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
1 q, s  ^. y3 w! \如果还不清楚,可以继续问
* |& W; O- P" O, n

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

: u" {& o" k4 r5 g8 }3 {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

0 ], V! u+ L: z$ f+ x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
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
$ X; ]8 V% b/ m3 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 !!

9 Y/ }& X2 i# A7 U' [' V4 h  v7 W今天刚刚发现的