python简易爬虫(3)--网页正文提取

目前做爬虫，大概最耗费时间的就是在写提取规则上。目前常用的工具，如bs4, xpath, regex等，此类工具对于定向垂直抓取（amazon, taobao, jd）特别适合。但如果站点超过100, 比如说各个网站的新闻内容，那么仍用精准的解析规则成本就会提高很多。

如果谷歌搜索 网页正文提取， 那么你可能查阅到更多通用的方案。下面我就简单谈谈目前我正在学习的基于html结构树的方案。

假设

1 同一站点下的html结构与内容都非常类似，比如广告的位置（甚至内容）
2 同一站点下的html不同之处包含时间、标题、正文段落等我们感兴趣的内容

方案

1 将html解析为dom树，并对同一站点下的html进行比较
2 遍历dom树下的节点，对于两颗树相同/相似节点的内容进行比较，如果内容相同则提取出来

以采用xpath为例，对于path可能需要做一些处理

path0  =  ‘/html/p[0]/li[2]’
path0 --> path1 = '/html/p/li'

简化之后，更关注html的整体结构，而非离散的重复序列
基于以上思路，我笔趣阁的小说为例，对于同一部小说的两章作出了对比提取，正文确实可以提出来，不过同时也提取出了部分js代码。简单粗暴不过还算有效，但值得一提的是，后期可能还是需要加入一些的过滤规则，比如 将js的标签内容去掉，换行符的冗余处理。

后记：利用对比html的结构树的方案制作提取规则，不要求精准定位，但提取出来的数据可能需要后期的清洗，或者根据经验，继续完善（待续）