- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
这实际上不是一个编程问题,更像是一个算法问题。
问题:查找 HTML 页面的“内容”部分。
“内容”是指包含人类看到的页面内容的 dom,没有噪音,只是“页面实际内容”。我知道问题没有明确定义,但让我们继续......例如在博客网站中,这通常很容易,当浏览到特定的帖子时,您通常在页面顶部有一些工具栏,可能在 LHS 上有一些导航元素,然后您有包含内容的 div。试图从 HTML 中弄清楚这一点可能很棘手。然而,幸运的是,大多数博客都有 RSS 提要,在这个特定帖子的提要中,您会找到一个
新闻网站呢?在许多情况下,新闻站点都有 RSS,但并非总是如此。那么如何在新闻网站上找到内容呢?更一般的网站呢?许多网页(当然不是全部)都有内容部分和其他部分。你能想出一个好的算法来找到“有趣”的部分和不太有趣的部分吗?也许是那些不变的部分发生了变化?
希望我已经说清楚了...谢谢!
最佳答案
我还没有这样做,但这将是我的一般方法。
正如您所指出的,HTML 的可见内容部分缺乏结构(即它没有 header
、 navigation
、 ads
等标签)意味着很难找到关键页面的一部分。我的方法是首先删除您确定不感兴趣的不同元素。可能的排除列表可能是:
!doctype
, head
(将title
作为单独的一条数据)object
, embed
, applet
, script
img
form
, input
, textarea
, label
, legend
, select
, option
第二遍可以开始排除常见的 div
或 ul
id/class 名称,以及其中的所有标签,例如:
header
, footer
, meta
nav
, navigation
, topnav
, sidebar
ad
, ads
, adu
(以及其他常用于广告的名称)这有望从页面中删除大量装饰。下一个挑战是尝试从剩下的内容中识别主要内容,我建议首先假设网站作者正确使用语义 HTML,因此主要使用 h1
, h2
头标签和 p
段落标记。
为了识别内容,我会寻找任何标题标签,然后是段落标签。 (对于您的主要内容,这可能是 h2
;h1
标签经常(并且可以说是不正确的)用于显示站点名称或 Logo ,但希望通过排除页面的标题部分来消除这种情况。)每个后续段落都应添加到当前内容中,直到出现中断,这可能是 div
的结尾。或 td
元素,或者它可以是与您开始时相同级别的 header 元素。
由于您可能仍然在页面上收集了几组内容(可能是主要内容加上关于作者的简介),您需要在此处测试和完善决策步骤,选择最有可能的内容候选人。这通常是最大的,无论是在长度还是在使用的段落元素数量方面。
当您收集到更多内容示例时,您可以为您的算法添加支持措施;这可能是因为您注意到许多页面使用 div id="content"
或 id="maincontent"
.保留您检测到的次要内容项可能也很有用,这样如果某些站点有一种奇怪的内容结构方式,那么一旦您将捕手添加到您的算法中,它就可以针对此重新运行网站的内容。
关于html - 查找 HTML 节文档的内容,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1226416/
我有一个 .sln 文件,里面有几个项目。为了简单起见,让我们称它们为... 项目A 项目B 项目C ...其中 A 是引用 B 和 C 的主要项目。我的目标是更新我的构建脚本,为 ProjectA
我安装了 Magento,我想知道如何生成完整的 API 文档,例如 http://docs.magentocommerce.com/ 上的文档是使用 phpdoc 生成的。 Magento 中是否包
我通常使用jetbrains family ide。在为函数创建文档时非常有用,只需输入 /** 如何在创建文档时创建自定义标签,例如@date标签。 最佳答案 JavaScript、Java: st
我正在尝试使用 jOpenDocument library创建文档。我已经执行了创建电子表格的示例 - 代码编译并运行正常,但当我尝试使用 Excel Office 2012 或 Google Doc
如标题。 有没有介绍HTML DOM构造的图片? 最佳答案 DOM(文档 对象模型)从文档 节点开始。它被称为“根节点”。 观察下面的树(括号中对应的nodeType): [HTMLDocument]
我喜欢 ColdFusion Builder。但我不喜欢帮助只有 CF9 文档。有什么方法可以将其更改为拥有 ColdFusion 8 文档? 最佳答案 http://livedocs.adobe.c
这个问题在这里已经有了答案: What is the consequence of this bit of javascript? (4 个答案) 关闭 9 年前。 我看到一些 jQuery 脚本嵌
我有一个 XML 文件,其中包含需要在 Word 文档中填充的数据。 我需要找到一种方法来定义一个模板,该模板可用作从 XML 文件填充数据并创建输出文档的基线。 我相信有两种方法可以做到这一点。 创
我正在尝试查找有关如何使用 AVAudioEngine 的详细文档。有谁知道我在哪里可以找到它? 我找到了这个,但与文档丰富的 UI 内容相比,它似乎非常简陋。 https://developer.a
我对 Tensorflow 文档越来越感到恼火和沮丧。我在谷歌上搜索了有关 的文档 tf.reshape 我被定向到一个通用页面,例如 here 。我想查看 tf.reshape 的详细信息,而不是整
我正在学习本教程:http://moxleystratton.com/clojure/clojure-tutorial-for-the-non-lisp-programmer 然后遇到了这个片段: u
如何在 swagger 中为对象数组编写文档。这是我的代码,但我不知道如何访问对象数组中的数据。 { "first_name":"Sam", "last_name":"Smith",
是否有针对 Javascript 的 JavaDocs 之类的东西?当我在 netbeans IDE 中按 ctrl+space 时 写javascript,指定对象的javascript文档就出来了
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 我们不允许提问寻求书籍、工具、软件库等的推荐。您可以编辑问题,以便用事实和引用来回答。 关闭 5 年前。
我需要 JavaScript 中的 heredoc 之类的东西。你对此有什么想法吗?我需要跨浏览器功能。 我发现了这个: heredoc = '\ \ \ zzz\ \
WSDL 文档是包含一系列的,可描述某个 web service 的定义的,简单的 XML 文档 WSDL 文档结构 WSDL 文档用下表这些主要的元素来描述某个 web service 的
是否有 ocropus 的文档? 我正在寻找对以下功能的解释: make_SegmentPageByRAST(): segment() RegionExtractor(): setPageLines(
这个问题在这里已经有了答案: Understanding events and event handlers in C# (13 个回答) 4年前关闭。 我正在使用 NRECO 和 ffmpeg 对视
我正在尝试访问工作服务器以与名为 Spotfire 的应用程序一起使用。我的同事把这个传给我,现在已经休息了几个星期,我对他的建议有意见。 实际上,当我通过 localhost 运行我的 Web 应用
Elm 文档没有给出示例用法,因此很难理解类型规范的含义。在几个地方,我看到“a”用作参数标识符,例如 Platform.Cmd : map : (a -> msg) -> Cmd a -> Cmd
我是一名优秀的程序员,十分优秀!