驴子的新闻提取系统（二）

正文提取部分。

这部分实现大部分是参考蛙蛙的，但是作了少许修改。

主要在下面两方面：

一，动态阈值。蛙蛙设置的是三百，所以他的算法对于短新闻来说失效。我的阈值设置为当前新闻正文所有汉字数量的函数。这样可以避免一些短新闻失效的情况，但还是不够完美。

二。有的正文页，含有很多链接到其他新闻的URL，这部分模块汉数量也很大，所以，如果不把这种链接块儿去掉，统计字符进行正文定位的时候，容易跑偏。

上代码

 /// <summary>
        /// 函数名称：CompareDinosByChineseLength
        /// 函数功能：判断两段儿文本里哪个中文占的比例高
        /// 函数参数：待比较的两个文本块x,y
        /// 函数返回值：1表明文本块x中中文比例高于y,0则反之
        /// </summary>
        /// <param name="x"></param>
        /// <param name="y"></param>
        /// <returns></returns>
        
        public static int CompareDinosByChineseLength(string x, string y)
        {
            if (x == null)
            {
                if (y == null)
                {
                    return 0;
                }
                else
                {
                    return -1;
                }
            }
            else
            {
                if (y == null)
                {
                    return 1;
                }
                else
                {
                    Regex r = new Regex("[\u4e00-\u9fa5]");//UTF8 中中文汉字的范围
                    float xCount = (float)(r.Matches(x).Count) / (float)x.Length;
                    float yCount = (float)(r.Matches(y).Count) / (float)y.Length;

                    int retval = xCount.CompareTo(yCount);

                    if (retval != 0)
                    {
                        return retval;
                    }
                    else//如果从百分比上看不出差距，则从汉字数量上来看
                    {
                        return x.CompareTo(y);
                    }
                }
            }
        }

 /// <summary>
        /// 函数名称：GetTags
        /// 函数功能：获取一个网页源码中的标签列表，支持嵌套，一般或去div，td等容器
        /// 函数参数：input网页源码，tag指定要获取列表的表签
        /// 函数返回值：源码中某一标签的标签列表
        /// </summary>
        /// <param name="input"></param>
        /// <param name="tag"></param>
        /// <returns></returns>
        public static List<string> GetTags(string input, string tag)
        {
            StringReader strReader = new StringReader(input);
            int lowerThanCharCounter = 0;//标记是否出现<,如果出现了，其值为1，否则其值为0
            int lowerThanCharPos = 0;//记录标签<...>的开始位置
            Stack<int> tagPos = new Stack<int>();//
            List<string> taglist = new List<string>();
            int i = 0;//下标记录当前char在整个字符串中的位置
            while (true)
            {
                try
                {
                    int intCharacter = strReader.Read();
                    if (intCharacter == -1) break;//退出循环条件

                    char convertedCharacter = Convert.ToChar(intCharacter);

                    if (lowerThanCharCounter > 0)
                    {
                        if (convertedCharacter == '>')
                        {
                            lowerThanCharCounter--;

                            string biaoqian = input.Substring(lowerThanCharPos, i - lowerThanCharPos + 1);//取出整个标签（标签包括开始标签和结束标签）
                            if (biaoqian.StartsWith(string.Format("<{0}", tag)))//如果是开始标签
                            {
                                tagPos.Push(lowerThanCharPos);//将"<"对应的位置压栈
                            }
                            if (biaoqian.StartsWith(string.Format("</{0}", tag)))//如果是结束标签
                            {
                                if (tagPos.Count < 1)
                                    continue;//
                                int tempTagPos = tagPos.Pop();//弹栈
                                string strdiv = input.Substring(tempTagPos, i - tempTagPos + 1);//将整个元素<...>...<...>压入保持表
                                taglist.Add(strdiv);//taglist[0],taglist[1],taglist[2]...分别是从内层到外层的元素
                            }
                        }
                    }

                    if (convertedCharacter == '<')
                    {
                        lowerThanCharCounter++;//标记是否找到了"<"标签
                        lowerThanCharPos = i;//记录<的位置
                    }
                }
                finally
                {
                    i++;//下标指针后移
                }
            }
            return taglist;
        }

 /// <summary>
        /// 函数名称：GetNextPageUrl
        /// 函数功能：从网页源码中提取下一页URL，并且如果下一页URL不完整，补全下一页URL
        /// 函数参数：rawtext,当前网页源码，url 当前网页的绝对url
        /// 函数返回值：下一页的绝对url，若无下一页url则返回空字符串
        /// </summary>
        /// <param name="rawtext"></param>
        /// <returns></returns>

        public static string GetNextPageUrl(string rawtext,string url)
        {
            string urlpart = "";//存放提取出的URL
            Lexer lexer = new Lexer(rawtext);
            Parser parser = new Parser(lexer);
            NodeFilter filter = new TagNameFilter("a");
            NodeList htmlNodes = parser.Parse(filter);
            for (int i = htmlNodes.Count - 1; i >= 0; i--)
            {
                ATag link = (ATag)htmlNodes.ElementAt(i);
                string temp = link.StringText;
                Regex fetchNextPage = new Regex(@"下一页");
                if (!fetchNextPage.IsMatch(temp))
                {
                    htmlNodes.Remove(i);
                }
            }
            //如果<a>标签链表不空，则说明当前页不是最后一页，含有下一页URL，并提取出下一页URL
            if (htmlNodes.Count > 0)
            {
                ATag link = (ATag)htmlNodes.ElementAt(0);
                urlpart = link.GetAttribute("href");

                //判断从源码中提取出的URL是否需要补全
                if (new Regex(@"^http:").IsMatch(urlpart))
                    return urlpart;
               //否则需要补全
                else
                {
                    Regex r1 = new Regex(@"^/");//如果被补全的url不是以“/”打头，则在它前面加上“/”
                    if (!r1.IsMatch(urlpart))
                    {
                        urlpart = "/" + urlpart;

                    }
                    Regex r2 = new Regex(@"/");

                    int[] npos = new int[20];//从npos[1]开始，数组元素用于储存url中"/"出现的位置
                    for (int i = 0; i < npos.Length; i++)
                    {
                        npos[i] = 100;
                    }
                    for (int i = 1; i <= r2.Matches(url).Count; i++)
                    {
                        npos[0] = 0;
                        npos[i] = url.IndexOf("/", npos[i - 1] + 1);

                    }
                    //从相对url中构造出完整的绝对ur
                    int tmp = r2.Matches(url).Count - r2.Matches(urlpart).Count + 1;
                    int destination = npos[tmp];
                    urlpart= url.Remove(destination) + urlpart;
                    return urlpart;


                }
               
                
            }


            else return "";



        }

 /// <summary>
        /// 函数名称：PercentageOfATag
        /// 函数功能：计算某文本段内链接文字（汉字）的浓度
        /// 函数参数：text某文本段文本
        /// 函数返回值：当前文本段内链接文字个数/文本段内总的汉字个数
        /// </summary>
        /// <param name="text"></param>
        /// <returns></returns>
        public static float PercentageOfATag(string text)
        {  //找到文本段中的所有链接元素形成链接元素表
            Lexer lexer = new Lexer(text);
            Parser parser = new Parser(lexer);
            NodeFilter filter = new TagNameFilter("a");
            NodeList htmlNodes = parser.Parse(filter);
            //取出所有链接文本
            string aTagText = "";
            for (int i = 0; i < htmlNodes.Count; i++)
            {

                aTagText += htmlNodes.ElementAt(i).ToPlainTextString();
            }
            //计算链接文字与文本块中总汉字的比例
            Regex r = new Regex("[\u4e00-\u9fa5]");
            float precise = (float)r.Matches(aTagText).Count / (float)r.Matches(text).Count;
            return precise;
 
        }

/// <summary>
        /// 函数名称：GetDataFromUrl
        /// 功能说明：获取url指定的网页的源码
        /// 参数：string url用于指定 url
        /// 参数：ref Encoding encode用来获取网页中的字符集编码
        /// </summary>
        /// <param name="url"></param>
        /// <param name="encode"></param>
        /// <returns></returns>
        public static string GetDataFromUrl(string url, ref Encoding encode)
        {
            string str = string.Empty;
            HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);

            //设置http头
            request.AllowAutoRedirect = true;
            request.AllowWriteStreamBuffering = true;
            request.Referer = "";
            request.Timeout = 10 * 1000;
            request.UserAgent = "";
            HttpWebResponse response = null;
            response = (HttpWebResponse)request.GetResponse();

            //根据http应答的http头来判断编码
            string characterSet = response.CharacterSet;
            //Encoding encode;
            if (characterSet != "")
            {
                if (characterSet == "ISO-8859-1")
                {
                    characterSet = "gb2312";
                }
                encode = Encoding.GetEncoding(characterSet);
            }
            else
            {
                encode = Encoding.Default;
            }

            //声明一个内存流来保存http应答流
            Stream receiveStream = response.GetResponseStream();
            MemoryStream mStream = new MemoryStream();

            byte[] bf = new byte[255];
            int count = receiveStream.Read(bf, 0, 255);
            while (count > 0)
            {
                mStream.Write(bf, 0, count);
                count = receiveStream.Read(bf, 0, 255);
            }
            receiveStream.Close();

            mStream.Seek(0, SeekOrigin.Begin);

            //从内存流里读取字符串
            StreamReader reader = new StreamReader(mStream, encode);
            char[] buffer = new char[1024];
            count = reader.Read(buffer, 0, 1024);
            while (count > 0)
            {
                str += new String(buffer, 0, count);
                count = reader.Read(buffer, 0, 1024);
            }

            //从解析出的字符串里判断charset，如果和http应答的编码不一直
            //那么以页面声明的为准，再次从内存流里重新读取文本
            Regex reg =
               new Regex(@"<meta[\s\S]+?charset=(.*?)""[\s\S]+?>",
                          RegexOptions.Multiline | RegexOptions.IgnoreCase);
            MatchCollection mc = reg.Matches(str);
            if (mc.Count > 0)
            {
                string tempCharSet = mc[0].Result("$1");
                if (string.Compare(tempCharSet, characterSet, true) != 0)
                {
                    encode = Encoding.GetEncoding(tempCharSet);
                    str = string.Empty;
                    mStream.Seek(0, SeekOrigin.Begin);
                    reader = new StreamReader(mStream, encode);
                    buffer = new char[255];
                    count = reader.Read(buffer, 0, 255);
                    while (count > 0)
                    {
                        str += new String(buffer, 0, count);
                        count = reader.Read(buffer, 0, 255);
                    }
                }
            }
            reader.Close();
            mStream.Close();
            if (response != null)
                response.Close();

            return str;

        }

 /// <summary>
       /// 函数名称：ModifyRawText
       /// 功能说明：将html源码中的字符串进行转义以便正常显示
       /// 参数： ref string rawtext表示待修改的html源码
       /// </summary>
       /// <param name="rawtext"></param>
        public static void ModifyRawText(ref string rawtext)
        {
            string[] aryReg ={
         
          @"&(quot;|#34;)",
          @"&(amp;|#38;)",
          @"&(lt;|#60;)",
          @"&(gt;|#62;)", 
          @"&(nbsp;|#160;)", 
          @"&(iexcl;|#161;)",
          @"&(cent;|#162;)",
          @"&(pound;|#163;)",
          @"&(copy|;#169;)",
          @"&#(\d+);",
         
         
         };
            string[] aryRep = {
          
           "\"",
           "&",
           "<",
           ">",
           "  ",
           "\xa1",//chr(161),
           "\xa2",//chr(162),
           "\xa3",//chr(163),
           "\xa9",//chr(169),
           "",
          
          };
            //转义字符置换
            for (int i = 0; i < aryReg.Length; i++)
            {
                Regex regexfinal = new Regex(aryReg[i], RegexOptions.IgnoreCase);
                rawtext = regexfinal.Replace(rawtext, aryRep[i]);
            }



        }

/// <summary>
        /// 函数名称：GetMainContent
        /// 函数功能：从内容页源码中获取正文
        /// 函数参数：input内容页源码
        /// 函数返回值：提纯后的文本
        /// </summary>
        /// <param name="input"></param>
        /// <returns></returns>
        public static string GetMainContent(string input)
        {
            string reg1 = @"<(p|br)[^<]*>";

            string reg2 = @"(\[([^=]*)(=[^\]]*)?\][\s\S]*?\[/\1\])|(?<lj>(?<=[^\u4E00-\u9FA5\uFE30-\uFFA0,."");《])<a\s+[^>]*>[^<]{2,}</a>(?=[^\u4E00-\u9FA5\uFE30-\uFFA0,."");》]))|(?<Style><style[\s\S]+?/style>)|(?<select><select[\s\S]+?/select>)|(?<Script><script[\s\S]*?/script>)|(?<Explein><\!\-\-[\s\S]*?\-\->)|(?<li><li(\s+[^>]+)?>[\s\S]*?/li>)|(?<Html></?\s*[^> ]+(\s*[^=>]+?=['""]?[^""']+?['""]?)*?[^\[<]*>)|(?<Other>&[a-zA-Z]+;)|(?<Other2>\#[a-z0-9]{6})|(?<Space>\s+)|(\&\#\d+\;)";

            //1、获取网页的所有div标签
            List<string> list = GetTags(input, "div");


            
            List<string> needToRemove = new List<string>();
            foreach (string s in list)
            {
                Regex r = new Regex("[\u4e00-\u9fa5]");
                if (r.Matches(s).Count < 200)//2、去除汉字少于200字的div
                {
                    needToRemove.Add(s);
                }
                if (PercentageOfATag(s) > 0.9)//3、去除链接文字浓度过高（超过90%）的div段
                    needToRemove.Add(s);
            }
            //将非目标div从div链中摘除
            foreach (string s in needToRemove)
            {
                list.Remove(s);
            }

            //5、把剩下的div按汉字比例多少倒序排列,
            list.Sort(CompareDinosByChineseLength);//
            if (list.Count < 1)
            {
                return "";
            }
            input = list[list.Count - 1];
            //6、把p和br替换成特殊的占位符[p][br]
           input = new Regex(reg1, RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "[$1]");

            //7、去掉HTML标签，保留汉字
            input = new Regex(reg2, RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "");

            //8、把特殊占维护替换成回车和换行
            input = new Regex(@"\[p\]", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "\r\n　　");
            input = new Regex(@"\[br\]", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "\r\n");
            string[] aryReg ={
         
          @"&(quot|#34)",
          @"&(amp|#38)",
          @"&(lt|#60)",
          @"&(gt|#62)", 
          @"&(nbsp|#160)", 
          @"&(iexcl|#161)",
          @"&(cent|#162)",
          @"&(pound|#163)",
          @"&(copy|#169)",
          @"&#(\d+)",
         
         
         };

            string[] aryRep = {
          
           "\"",
           "&",
           "<",
           ">",
           "  ",
           "\xa1",//chr(161),
           "\xa2",//chr(162),
           "\xa3",//chr(163),
           "\xa9",//chr(169),
           "",
          
          };
            for (int i = 0; i < aryReg.Length; i++)
            {
                Regex regexfinal = new Regex(aryReg[i], RegexOptions.IgnoreCase);
                input = regexfinal.Replace(input, aryRep[i]);
            }

            //针对腾讯新闻内容页打的小补丁
            input = new Regex(@"(·[\s\S]+?\r\n|\[\])", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "");
            return input;
        }


    }
}

 注：由于时间久远，以及代码改之又改，上传的版本一定能用，但是可能会和讲解有些出入。另外，所有的这些工作都是小孩子的把戏，欢迎大家留言指点，包括思路，以及编码规范。希望自己的一些不足能够被大家指出，不吝赐教。在此谢过

下载地址

北京邮电大学毕业设计，新闻网页解析器