万能的 V2EX 伙伴们，怎么实现抓取个人博客文章

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2256 天前的主题，其中的信息可能已经有所发展或是发生改变。

例如：自己博客用的 hexo 模板，但是被其他网站抓取了好多，
还有：掘金上分享博客链接，之后博客文章就被抓取到掘金了。
还有：safari 浏览器中看博客，可以点击地址栏的预览，可以直接预览博客的文章
等等。。

这些是什么实现的吗？
通过选择固定的 class 来抓取网页？
但是我的 class 改了之后 safari 浏览器中依然可以预览。。

万能的 V2EX 伙伴们，有没有相关的技术方案，来讨论一下 ~

博客

V2EX

预览

Safari

15 条回复 • 2018-09-25 09:58:23 +08:00

creedowl

2018-09-23 22:29:01 +08:00

之前研究过提取文章正文，发现有一些办法，比如计算文字密度

dreasky

2018-09-23 23:12:54 +08:00

找到标点符号最多的 div

IvanLi127

2018-09-23 23:25:54 +08:00 via Android

歪楼，我看成万恶的 V2E....

rekulas

2018-09-23 23:38:54 +08:00

readability 算法了解一下

Mogugugugu

2018-09-23 23:41:55 +08:00 via Android

@dreasky 这个思路不错😊

zhangZMZ

2018-09-23 23:43:06 +08:00

万能？看见这个词语解不解答了。
我的万能岂能让你知道，无知的凡人，哼╭(╯^╰)╮！

yuanfnadi

2018-09-23 23:56:40 +08:00 via iPhone

你把 class 的名字改成 footer 试试看

最近刚好在看 readability 的源码。

如果真的想抓几乎不可能挡的住。

Tink

2018-09-24 00:01:06 +08:00 via iPhone

解析 dom 呗

delectate

2018-09-24 06:17:51 +08:00

常见的模板，写几个正则就够了，通吃 8 成网站；不常用的，readability。

2010

2018-09-24 08:12:57 +08:00 via Android

看网站写规则就行

realpg

2018-09-24 11:56:29 +08:00

@yuanfnadi #7
转成图片输出大法好

yuanfnadi

2018-09-24 13:50:59 +08:00 via iPhone

@realpg ocr 大法

wuhuaji

2018-09-24 22:53:44 +08:00

@rekulas 我真好也有此类需求，看到你说的 Readability，打开了思路，多谢：）

huangfs

2018-09-24 23:34:19 +08:00

一般会有一套的模版的。

ChanghuiN

2018-09-25 09:58:23 +08:00

@yuanfnadi mercury.postlight.com 这个网址，我通过 google 账号注册之后，为什么一直显示 YOUR KEY Fetching...
获取不到 KEY