lzjun567/html-extractor

《基于行块分布函数的通用网页正文抽取》的Python实现方式

网页正文内容抽取

此代码是对论文《基于行块分布函数的通用网页正文抽取》的Python实现方式。论文的出发点是针对搜索引擎正文提取的解决方案，移除了所有的标签元素，因此我在此保留了标签元素，改进用户阅读体验。

####特点：

• 保留正文标签
• 资源（图片、超链接等）路径为绝对路径（即使原文是相对路径）避免找不到资源

####调用：

from html_body_extractor import BodyExtractor
url = 'http://ballpo.com/detail/182560.html'
be = BodyExtractor(url)
be.execute()
print be.body

####输出：

经纪人承认，尽管拉齐奥前锋凯塔(Keita Balde Diao)刚刚与蓝白军团续约，但来自英超联赛的俱乐部仍旧对他保持着浓厚的兴趣。

“今天，对凯塔感兴趣的俱乐部都知道，要想拉齐奥放走他，你必须拿出一大笔的资金，”经纪人萨维尼(Ulisse Savini)告诉TuttoMercatoWeb.com。“没有人打电话给我，但我们都很清楚：对凯塔感兴趣的俱乐部很多，这一点也不意外。除了利物浦经常在关注他之外，还有曼联。”

最后，经纪人解释道，这名19岁的前巴塞罗那球员需要拿到西班牙的护照才能转投英国踢球，尽管这问题不大。

####TODO：

• 自定义样式
• 进一步改进提取正确率