一个开源的正文提取程序

bjzhush

   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

5 S2 b+ P( j  R0 o1 l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:
' a7 V6 d" _& N% i: R; `
2013年09月29日17:47:27 补充
' w) k* m" y5 X9 f0 N* G


/ g2 U5 |5 Q. r: I( G* _, 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
6 S4 \2 Y: I- b2 A0 G
; H2 {+ h- T  j! e/ }$ ~; H3 s
- d5 f. X5 r$ m" ?) i( v0 ^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 !!!
6 k7 z3 G2 a& h9 O' Y. \: |
* F& w! P$ D, ?! 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
) b* K4 ?! `8 @4 r. ~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
% W2 p' [! J% R       $title   = $Data['title'];
; j1 u9 t6 a1 j        $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);
& Y7 u0 ]/ N6 ~8 U- [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
8 A+ X* H1 l1 e& j) V$ q$ U

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
. F/ W. Q& d9 k( e+ F5 P自从用过这个之后，自己用的模板就全修改了一遍

" I, b1 k0 m* T. z9 O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

: s, ^& e  `" ?( d& Z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。 ...

7 V$ f* X) l5 `6 i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/ I1 J" {* l2 D! q

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 !!
5 P  S% I7 i' A0 B
7 v) R. k. u6 o8 W9 _今天刚刚发现的