blocks|key|101229|text|Instapaper的功能有两个步骤：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|101230|101231|在页面上查找主要内容块(不包括页眉、页脚、菜单等)|ordered-list-item|101232|从此内容块提取文本并设置其格式|101233|101234|为了找到内容块(通常是一些html块元素，比如包含关键页面文本内容的div+)，Instapaper使用的算法与readability使用的算法非常相似。你可以看看source+of+readability.js，看看是怎么回事，但它的核心是试图找到页面上文本/链接比率最高的区域，尽管它还有其他一些简单的评分指标(例如，在我的头顶上，文本与逗号的比率，段落元素等)进入启发式。|offset|length|101235|一旦您确定了带有相关内容的根节点元素，您将需要格式化它，如果需要，您可以将包含文本的节点元素从源文档中拉出并将其插入到您的文档中，但实际上您可能希望删除现有样式并应用您自己的样式，以获得标准的外观。如果您希望输出为纯文本，则可以使用Jericho的Renderer。|101236|update1：我还应该提到Instapaper做的其他事情--那就是遵循文章的“分页”链接(“下一页”或"1“、"2”、"3“链接)直到文章的结论，这样一篇可能跨越多页原文的文章将作为一个单独的文档呈现给您。|style|BOLD|101237|update2我最近遇到了这个|101238|entityMap|0|LINK|mutability|MUTABLE|url|http://lab.arc90.com/2009/03/02/readability/|1|http://code.google.com/p/arc90labs-readability/downloads/detail?name=readability.js&can=2&q=|2|http://jericho.htmlparser.net/docs/javadoc/net/htmlparser/jericho/Renderer.html^0|0|0|0|0|0|1K|B|0|2A|O|1|0|3G|8|2|0|0|7|0|0|7|0^^$0|@$1|2|3|4|5|6|7|16|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|17|8|@]|9|@]|A|$]]|$1|C|3|D|5|E|7|18|8|@]|9|@]|A|$]]|$1|F|3|G|5|E|7|19|8|@]|9|@]|A|$]]|$1|H|3|-4|5|6|7|1A|8|@]|9|@]|A|$]]|$1|I|3|J|5|6|7|1B|8|@]|9|@$K|1C|L|1D|1|1E]|$K|1F|L|1G|1|1H]]|A|$]]|$1|M|3|N|5|6|7|1I|8|@]|9|@$K|1J|L|1K|1|1L]]|A|$]]|$1|O|3|P|5|6|7|1M|8|@$K|1N|L|1O|Q|R]]|9|@]|A|$]]|$1|S|3|T|5|6|7|1P|8|@$K|1Q|L|1R|Q|R]]|9|@]|A|$]]|$1|U|3|-4|5|6|7|1S|8|@]|9|@]|A|$]]]|V|$W|$5|X|Y|Z|A|$10|11]]|12|$5|X|Y|Z|A|$10|13]]|14|$5|X|Y|Z|A|$10|15]]]]

There are two steps to what Instapaper does:

<ol>
<li>Find main content block on the page (excluding headers, footers, menus etc)</li>
<li>From this content block extract and format the text</li>
</ol>

To find the content block (typically some html block element, like a div containing the key page text content) Instapaper uses an algorithm much like the one used by <a href="http://lab.arc90.com/2009/03/02/readability/" rel="nofollow noreferrer">readability</a>. You can look at the <a href="http://code.google.com/p/arc90labs-readability/downloads/detail?name=readability.js&amp;can=2&amp;q=" rel="nofollow noreferrer">source of readability.js</a> to see what's going on, but at its core it tries to find the area on the page with the highest text/link ratio, although it has some other simple scoring metrics too (e.g. off the top of my head, things like ratio of text to commas, para elements etc) that go into the heuristics.

Once you have identified the root node element, with the relevant content, you'll need to format it, if you want you can just pull the node element containing the text out of the source document and insert it into yours, but in reality you'll probably want to remove existing styles and apply your own, for a standard look and feel. If you want to output as nice text-only you can use Jericho's <a href="http://jericho.htmlparser.net/docs/javadoc/net/htmlparser/jericho/Renderer.html" rel="nofollow noreferrer">Renderer</a>.

update1: I should also mention something else Instapaper does - which is follow the 'pagination' links (the "next" or "1", "2", "3" links) of the article to their conclusion, so that a piece that may span many pages in the original will be rendered to you as a single document.

update2 I recently came across this <a href="http://tomazkovacic.com/blog/2011/03/02/extracting-article-text-from-html-documents/" rel="nofollow noreferrer">comparison of text extraction algorithms</a>

blocks|key|101307|text|有一个开源应用程序可以从任何网页中解析出文章的文本|type|unstyled|depth|inlineStyleRanges|entityRanges|data|101308|https://github.com/jiminoc/goose/wiki|offset|length|101309|应该能起到作用|101310|entityMap|0|LINK|mutability|MUTABLE|url^0|0|0|11|0|0|0^^$0|@$1|2|3|4|5|6|7|O|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|P|8|@]|9|@$D|Q|E|R|1|S]]|A|$]]|$1|F|3|G|5|6|7|T|8|@]|9|@]|A|$]]|$1|H|3|-4|5|6|7|U|8|@]|9|@]|A|$]]]|I|$J|$5|K|L|M|A|$N|C]]]]

there is an open source application that parses the text of an article out from any webpage

<a href="https://github.com/jiminoc/goose/wiki" rel="noreferrer">https://github.com/jiminoc/goose/wiki</a>

should do the trick

blocks|key|3766828|text|boilerpipe是开源java。该算法发表在一篇科学论文中，因此您可以阅读它与其他算法相比有多好。阅读它似乎是最好的选择之一。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|3766829|entityMap|0|LINK|mutability|MUTABLE|url|http://code.google.com/p/boilerpipe/^0|0|A|0|0^^$0|@$1|2|3|4|5|6|7|L|8|@]|9|@$A|M|B|N|1|O]]|C|$]]|$1|D|3|-4|5|6|7|P|8|@]|9|@]|C|$]]]|E|$F|$5|G|H|I|C|$J|K]]]]

<a href="http://code.google.com/p/boilerpipe/" rel="nofollow">boilerpipe</a> is opensource java. the algorithm is published in a scientific paper so you can read how well it does compared to other algorithms. reading around it seems to be one of the best.

blocks|key|1402371|text|如果您只想要Python中的所有内容而不想要任何格式|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1402372|>>>+from+BeautifulSoup+import+BeautifulSoup
>>>+from+urllib+import+urlopen
>>>+soup+=+BeautifulSoup(urlopen("http://www.python.org/").read())
>>>+contents+=+''.join(soup.findAll(text=True))|code-block|syntax|javascript|1402373|成功了吗？|1402374|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|K|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|L|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|M|8|@]|9|@]|A|$]]|$1|I|3|-4|5|6|7|N|8|@]|9|@]|A|$]]]|J|$]]

If you just want all the content and none of the formatting in Python

<pre><code>&gt;&gt;&gt; from BeautifulSoup import BeautifulSoup
&gt;&gt;&gt; from urllib import urlopen
&gt;&gt;&gt; soup = BeautifulSoup(urlopen("http://www.python.org/").read())
&gt;&gt;&gt; contents = ''.join(soup.findAll(text=True))
</code></pre>

does the trick

Does anyone of an algorithm that extracts contents from a webpage? like <a href="http://www.instapaper.com/" rel="noreferrer">instapaper</a>?

Instapaper-like algorithm

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

有人知道从网页中提取内容的算法吗？像一样

问类Instapaper算法
EN

回答 4

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问类Instapaper算法EN

回答 4

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问类Instapaper算法
EN