一个开源的正文提取程序

bjzhush

  [( o  ?: \  k" Z, W4 Y5 o
. l6 f: p' G5 r  E3 W/ o   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

. g$ d+ k3 D  U' I: c% a  H# @0 ]5 V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:
2 F; H' I0 ~, Y. F! M
2013年09月29日17:47:27 补充



5 \3 h0 t" c' c( |0 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

. n  |/ z7 a8 T7 e. C/ z% y4 ~1 `
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 !!!

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。 ...

这个东西做一个接口非常容易的
       $title   = $Data['title'];
+ l* C5 ~0 m0 p9 ]$ U        $content = $Data['content'];
2 K% A3 x3 r6 B( A0 y$ p/ ?8 w        include 'template/reader.html';
7 V  c! U3 @( U' b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
; f' t/ n1 m  x: o        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
: o6 h3 Q: D" 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

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

$ O' m$ C0 t" _2 R: 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
" t# u) Z- [  e$ T8 {) u$ }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

2 W- B. u: u# L7 J) |1 I. p! [
0 Q- s# H4 I3 _8 L2 q7 S8 x2 k1 [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 !!
) @4 l: D& S0 S# h7 ~" {
& K* m4 t# o0 k今天刚刚发现的