提取网页正文的开源库的比较

前段时间在工作中，需要提取出网页的正文，就试验了一下机中提取网页正文开源库。

试验中主要试验了java和python两种提取正文的开源库，测试的连接是：http://www.chinanews.com/gj/2014/11-19/6791729.shtml。结果如下：

 

A.Java:

1.Cx-extractor( http://cx-extractor.googlecode.com):基于行块的分布来提取网页中的正文。

提取的方法是首先使用Jsoup来获取网页的内容，之后将内容传给cx-extractor，交由其来解析，核心代码如下所示：

// 通过Jsoup来获取html，在此设置了范文数据包的头部，因为有些网站会屏蔽爬虫。
String content = Jsoup.connect("http://www.chinanews.com/gj/2014/11-19/6791729.shtml").userAgent("Mozilla/5.0 (jsoup)").get().html();               
// html_article即为解析出的正文。
String html_article = CXTextExtract.parse(content);

结果：这个库有时候会有错误，会将不属于正文的内容提取出来，例如一些无关的底部内容，或者一些链接。但性能比较高，约几十毫秒。

2.Boilerpipe(http://code.google.com/p/boilerpipe/):

基于网页dom树来解析，内部有多种解析器，比较准确，但是时间在100毫秒左右。

核心代码如下所示：

String content = Jsoup.connect("http://www.chinanews.com/gj/2014/11-19/6791729.shtml").userAgent("Mozilla/5.0 (jsoup)").get().html();
// 使用Bolierpipe来获取网页正文内容
String parse_article = ArticleExtractor.INSTANCE.getText(content);

 结果：结果比较准确，性能比稍慢，大约在100毫米左右。

B.python：

1. Newspaper: 这个库可以实现由网上下载到解析，一条龙服务：

核心示例代码如下所示：

from newspaper import Article
a = Article('http://www.chinanews.com/gj/2014/11-19/6791729.shtml, language='zh')
a.download()
a.parse()

结果：耗时会比较长，第一次执行耗时4s左右，解析效果也一般。

2.Python-Goose

代码比较方便，但是，''http://www.chinanews.com/gj/2014/11-19/6791729.shtml，此网址没有解析出来。

 示例代码如下所示：

from goose import Goose
from goose.text import StopWordsChinese
url = 'http://www.chinanews.com/gj/2014/11-19/6791729.shtml'
g = Goose({'stipwords_class':StopWordsChinese})
article = g.extract(url = url)
print article.cleaned_text[:150]

结果：效果不好，解析不出来。

3.Python-readability

示例代码如下所示：

from readability.readability import Document
import urllib
html = urllib.urlopen('http://www.chinanews.com/gj/2014/11-19/6791729.shtml').read()
readable_article = Document(html).summary()
readable_title = Document(html).short_title()

结果：能过滤出部分正文，但是正文包含很多标签。效果不很好。

最终结合上面结果和项目，选择了“Boilerpipe”，但是仍有部分网页是提取不出来正文的，还需要努力，同时，有些网页不堪忍睹。