如何实现类似于Arc90's Readability或Instapaper之类的html页面擦除器？

Question

我感兴趣的是如何清理html页面并很好地呈现它--去掉所有杂乱的东西，并将正文重新格式化为可读性很好的格式--比如http://lab.arc90.com/experiments/readability或Instapaper。

它是一个简单的页面，解析并删除不在

？

这是在别的地方讨论过的吗？

Answer 1

https://github.com/jiminoc/goose/wiki做了您想要做的事情，源代码和单元测试都是开放的

Answer 2

可读性不是一个简单的解析器，它使用复杂的算法来检索所需的组件，如果你不是编程大师，我建议你使用下面突出显示的免费服务。

您可以从可读性(http://www.readability.com/publishers/api)请求开发者api

如果你请求解析器，它会做你想要实现的事情，那就是从站点中提取内容。只要记得给他们一个足够好的理由让你使用他们的API即可。

对它们的解析服务的查询将如下所示

https://www.readability.com/api/content/v1/parser?url={此处解析url}&token={您的api密钥此处}

请求将返回如下响应：

HTTP/1.0 200 OK { "domain"："blog.readability.com"，"author"："Richard Ziade"，"url"："http://blog.readability.com/2011/02/step-up-be-heard-readability-ideas/"，

"short_url"："http://rdd.me/kbgr5a1k"，"title"：“提高和被听到:可读性想法”，"total_pages"：1，"word_count"：175，"content"："\n \n

\n\t启动可读性snip ...\n时，"date_published"："2011-02-22 00:00:00"，"next_page_id"：null，"rendered_pages"：1}

对于铁杆的人来说，可以从这里的http://arrix.blogspot.com/2010/11/server-side-readability-with-nodejs.html查看可读性nodeJS、ruby和python端口

快乐编码

Answer 3

如果有问题的web页面或站点很好地使用了语义元素和结构，您可以只使用不同的CSS样式表，这可以彻底改变布局和显示。