GeneralNewsExtractor(新闻网页正文通用抽取器)

logindmin 阅读：17 2023-12-11 22:05:55 评论：0

GeneralNewsExtractor(新闻网页正文通用抽取器)是一个基于《基于文本及符号密度的网页正文提取方法》论文用Python实现的正文抽取器，可以用来提取 HTML 中正文的内容、作者、标题。

开发介绍

　　项目起源

　　开发这个项目，源自于我在知网发现了一篇关于自动化抽取新闻类网站正文的算***文——《基于文本及符号密度的网页正文提取方法》）

　　这篇论文中描述的算法看起来简洁清晰，并且符合逻辑。但由于论文中只讲了算法原理，并没有具体的语言实现，所以我使用 Python 根据论文实现了这个抽取器。并分别使用今日头条、网易新闻、游民星空、观察者网、凤凰网、腾讯新闻、ReadHub、新浪新闻做了测试，发现提取效果非常出色，几乎能够达到100%的准确率。

　　项目现状

　　在论文中描述的正文提取基础上，我增加了标题、发布时间和文章作者的自动化探测与提取功能。

　　目前这个项目是一个非常非常早期的 Demo，发布出来是希望能够尽快得到大家的使用反馈，从而能够更好地有针对性地进行开发。

　　本项目取名为抽取器，而不是爬虫，是为了规避不必要的风险，因此，本项目的输入是 HTML，输出是一个字典。请自行使用恰当的方法获取目标网站的 HTML。

　　本项目现在不会，将来也不会提供主动请求网站 HTML 的功能。