一个开源的正文提取程序

bjzhush

" a* j, c7 z  \) o4 P1 }7 X
& `; f0 i' h/ K8 q# m9 }" {7 p' I   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
  q8 F2 m# u: u% A/ Z$ P0 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:

- F9 Y- |& r7 K; Q; G2013年09月29日17:47:27 补充
1 P2 v& N. U9 p) V


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

+ O1 k& T% p8 u/ l$ Q7 r7 Z- H
1 _/ O& M! ~' u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 !!!
3 B! H2 F! P8 s
* }- V# d/ p4 {$ y* N& K
9 b5 b3 v, M$ E6 E% b

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
- h' K, I" ~" P7 J: n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
0 L$ l/ f6 d1 p  @- T8 k. N6 A       $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
0 e) h. H3 d* c  i) Y& O如果还不清楚,可以继续问
& ?( x+ u( W  G1 ]6 F, ^  c

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
5 m+ _& G4 A; h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
2 E6 ~. t5 p9 l, n) s% ~什么意思呢? 为什么要修改模板

" G, E+ |2 s6 |) A& o9 h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

# A7 U8 A0 E3 d! S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


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 !!
* T) q8 S* F4 h. ?. G" p
" }5 E! n+ o- n7 |今天刚刚发现的