开源一个网页智能解析算法库

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

爱意满满的作品展示区。

这是一个创建于 1388 天前的主题，其中的信息可能已经有所发展或是发生改变。

文章作者：「夜幕团队 NightTeam 」 - 崔庆才

本文首发于「 崔庆才|静觅 」微信公众号，如需转载请在微信端发消息告知。

文中提取效果部分由于触发了 V2EX 的敏感词过滤，已全部进行替换，提取效果请前往项目 GitHub 仓库查看。

之前我写过几篇文章介绍过有关爬虫的智能解析算法，包括商业化应用 Diffbot 、Readability 、Newspaper 这些库，另外我有一位朋友之前还专门针对新闻正文的提取算法 GeneralNewsExtractor，这段时间我也参考和研究了一下这些库的算法，同时参考一些论文，也写了一个智能解析库，在这里就做一个非正式的介绍。

引入

那首先说说我想做的是什么。

比如这里有一个网站，网易新闻，https://news.163.com/rank/，这里有个新闻列表，预览图如下：

任意点开一篇新闻，看到的结果如下：

我现在需要做到的是在不编写任何 XPath 、Selector 的情况下实现下面信息的提取：

对于列表页来说，我要提取新闻的所有标题列表和对应的链接，它们就是图中的红色区域：

这里红色区域分了多个区块，比如这里一共就是 40 个链接，我都需要提取出来，包括标题的名称，标题的 URL 。

我们看到页面里面还有很多无用的链接，如上图绿色区域，包括分类、内部导航等，这些需要排除掉。

对于详情页，我主要关心的内容有标题、发布时间、正文内容，它们就是图中红色区域：

其中这里也带有一些干扰项，比如绿色区域的侧边栏的内容，无用的分享链接等。

总之，我想实现某种算法，实现如上两大部分的智能化提取。

框架

之前我开发了一个叫做 Gerapy https://github.com/Gerapy/Gerapy 的框架，是一个基于 Scrapy 、Scrapyd 的分布式爬虫管理框架，属 1.x 版本。现在正在开发 Gerapy 2.x 版本，其定位转向了 Scrapy 的可视化配置和调试、智能化解析方向，放弃支持 Scraypd，转而支持 Docker 、Kubernetes 的部署和监控。

对于智能解析来说，就像刚才说的，我期望的就是上述的功能，在不编写任何 XPath 和 Selector 的情况下实现页面关键内容的提取。

框架现在发布了第一个初步版本，名称叫做 Gerapy Auto Extractor，名字 Gerapy 相关，也会作为 Gerapy 的其中一个模块。

GitHub 链接： https://github.com/Gerapy/GerapyAutoExtractor

现在已经发布了 PyPi，https://pypi.org/project/gerapy-auto-extractor/，可以使用 pip3 来安装，安装方式如下：

pip3 install gerapy-auto-extractor

安装完了之后我们就可以导入使用了。

功能

下面简单介绍下它的功能，它能够做到列表页和详情页的解析。

列表页：

标题内容
标题链接

详情页：

标题
正文
发布时间

先暂时实现了如上内容的提取，其他字段的提取暂时还未实现。

使用

要使用 Gerapy Auto Extractor，前提我们必须要先获得 HTML 代码，注意这个 HTML 代码是我们在浏览器里面看到的内容，是整个页面渲染完成之后的代码。在某些情况下如果我们简单用「查看源代码」或 requests 请求获取到的源码并不是真正渲染完成后的 HTML 代码。

要获取完整 HTML 代码可以在浏览器开发者工具，打开 Elements 选项卡，然后复制你所看到的 HTML 内容即可。

先测试下列表页，比如我把 https://news.163.com/rank/ 这个保存为 list.html，

然后编写提取代码如下：

import json
from gerapy_auto_extractor.extractors.list import extract_list

html = open('list.html', encoding='utf-8').read()
print(json.dumps(extract_list(html), indent=2, ensure_ascii=False, default=str))

就是这么简单，核心代码就一行，就是调用了一个 extract_list 方法。

运行结果如下：

[
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://news.163.com/20/0705/05/FGOFE1HJ0001875P.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://news.163.com/20/0705/02/FGO66FU90001899O.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://news.163.com/20/0705/08/FGOPG3AM0001899O.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://news.163.com/20/0705/01/FGO42EK90001875O.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://home.163.com/20/0705/07/FGOLER1200108GL2.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://sports.163.com/20/0704/12/FGML920300058782.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://home.163.com/20/0705/07/FGOLEL1100108GL2.html"
  },
  {
    "title": "内容中疑似包含敏感话题，请修改或者放弃",
    "url": "https://money.163.com/20/0705/07/FGON5T7B00259DLP.html"
  },
  ...
]

可以看到想要的内容就提取出来了，结果是一个列表，包含标题内容和标题链接两个字段，由于内容过长，这里就省略了一部分。

接着我们再测试下正文的提取，随便打开一篇文章，比如 https://news.ifeng.com/c/7xrdz0kysde，保存下 HTML，命名为 detail.html 。

编写测试代码如下：

import json
from gerapy_auto_extractor.extractors import extract_detail
html = open('detail.html', encoding='utf-8').read()
print(json.dumps(extract_detail(html), indent=2, ensure_ascii=False, default=str))

运行结果如下：

{
  "title": "内容中疑似包含敏感话题，请修改或者放弃",
  "datetime": "2020-07-05 18:54:15",
  "content": "balabalabala\nbalabalabala"
}

成功输出了标题、正文、发布时间等内容。

这里就演示了基本的列表页、详情页的提取操作。

算法

整个算法的实现比较杂，我看了几篇论文和几个项目的源码，然后经过一些修改实现的。

其中列表页解析的参考论文：

详情页解析的参考论文和项目：

这些都是不完全参考，然后加上自己的一些修改最终才形成了现在的结果。

算法在这里就几句话描述一下思路，暂时先不展开讲了。

列表页解析：

找到具有公共父节点的连续相邻子节点，父节点作为候选节点。
根据节点特征进行聚类融合，将符合条件的父节点融合在一起。
根据节点的特征、文本密度、视觉信息（尚未实现）挑选最优父节点。
从最优父节点内根据标题特征提取标题。

详情页解析：

标题根据 meta 、title 、h 节点综合提取
时间根据 meta 、正则信息综合提取
正文根据文本密度、符号密度、视觉信息（尚未实现）综合提取。

后面等完善了之后再详细介绍算法的具体实现，现在如感兴趣可以去看源码。

说明

本框架仅仅发布了最初测试版本，测试覆盖度比较少，目前仅仅测试了有限的几个网站，尚未大规模测试和添加对比实验，因此准确率现在还没有标准的保证。

参考：关于详情页正文的提取我主要参考了 GeneralNewsExtractor 这个项目，原项目据测试可以达到 90% 以上的准确率。

列表页我测试了腾讯、网易、知乎等都是可以顺利提取的，如：

19841593922229_.pic_hd

后面会有大规模测试和修正。

项目初版，肯定存在很多不足，希望大家可以多发 Issue 和提 PR 。

另外这里建立了一个 Gerapy 开发交流群，之前在 QQ 群的也欢迎加入，以后交流就在微信群了，大家在使用过程遇到关于 Gerapy 、Gerapy Auto Extractor 的问题欢迎交流。

这里放一个临时二维码，后期可能会失效，失效后大家可以到公众号「进击的 Coder 」获取加群方式。

待开发功能

视觉信息的融合
文本相似度的融合
分类模型的融合
下一页翻页的信息提取
正文图片、视频的提取
对接 Gerapy

最后感谢大家的支持！

提取

gerapy

title

url

6 条回复 • 2021-09-04 17:53:40 +08:00

NightTeam

2020-07-07 16:44:08 +08:00

Gerapy 开发交流群满 200 人了，要进群的话直接加微信 CQCcqc 吧。

Austin2035

2020-07-07 20:21:15 +08:00

有点通用爬虫内味了，表现如何先不说，性能也是不可忽略的一环。

jones2000

2020-07-08 01:21:45 +08:00

1. 抓取的最麻烦的就是抓的页面格式变了，原来配的页面的东西就需要重新配置过，才能定位到需要的内容。
是否可以考虑使用 AI 训练来过滤内容。比如我希望抓取财经类新闻，通过大量财经类新闻训练让 AI 识别这类内容，后续通过 AI 就可以准确过滤。
2. 另外一个是版权问题，是否可以考虑把抓取的内容提取中心内容，这样就可以和原始的内容不一样，规避版权问题。

不知道楼主有什么这方面的建议吗?

cqcreer

2020-07-09 21:34:15 +08:00

@jones2000 1. 这个是可行的，可以通过 NLP 、视觉和 DOM 综合计算得出，这个库是无监督的，更轻量级一些。
2. 这个其实不是抓取的问题了，涉及到语义改写，可以看下 NLP 相关 Task 。

cqcreer

2020-07-09 21:35:13 +08:00

@lookcos 性能没有具体测试，基本上 1-2s 内就出结果了，相比爬虫本身延迟还是可以接受的。

gancl

2021-09-04 17:53:40 +08:00

path = "logs/生成过内容的记录表单.csv" # 文件保存路径
WebSite = "sohu.com" # 网站主页链接
Url = "https://www.sohu.com/a/419892530_603537" # 具体内容链接
Title = extract_detail(requests.get(Url).text)["title"] # 文章的标题
报错了 AttributeError: 'backports.zoneinfo.ZoneInfo' object has no attribute 'localize'
@cqcreer