【网页正文识别及提取算法】提取网络正文的实践

Python的newspaper

安装：

pip3 install newspaper3k

github:

https://github.com/codelucas/newspaper

什么是网络正文？

简单介绍什么是网络正文。

例子

参考官方的例子，进行如下尝试：

博客

>>> from newspaper import Article
>>> url = 'https://blog.csdn.net/LU_ZHAO/article/details/104860830'
>>> article = Article(url, language = 'zh')
>>> article.download()
>>> article.parse()
Building prefix dict from /usr/local/lib/python3.7/site-packages/jieba/dict.txt ...
Dumping model to file cache /var/folders/zf/n2xjp7t53yg_m7wyrjt6p1_40000gn/T/jieba.cache
Loading model cost 2.059746742248535 seconds.
Prefix dict has been built succesfully.
>>> print(article.title)
【自然语言处理】 常见的文本相似度计算方法_Python_LU_ZHAO的博客-CSDN博客
>>> print(article.text)
引言

在自然语言处理中，我们经常需要判定两个东西是否相似。

比如，在微博的热点话题推荐那里，我们需要比较微博之间的相似度，让相似度高的微博聚集在一起形成一个簇，提出一个主题。

在问答系统中，比如说人工客服，我们需要提前准备好问题和一些答案，让用户输入的问题与题库中的问题进行相似度的比较，最后输出答案。

在推荐系统中，我们需要提取一个用户的所有物品，在根据这个物品找到对应的用户群，比较两个用户之间的相似性，在进行相应的推荐（协同过滤）。

在对语料进行预处理的时候，我们需要给予文本的相似度，把相似度高的重复主题过滤掉。

总之，相似度是一种非常有用的工具，可以帮助我们解决很多问题。

任务目标

一般来说，是比较两个物体（商品，文本。。）之间的相似度。这里的相似度是一个抽象的值，它可以抽象成估计的百分比。

在推荐工程中，计算相似度是为了给用户推送一定量的物品。即把所有的相似度排序，然后选出最高的那几个物品。

人是很容易判断出物品的相似度的，人们会在心里有一个考量。那么程序如何判断呢？

这里呢？

如果是文本分析，它首先就要用到分词技术，然后去掉不必要的词（语气词，连接词。。）。然后对词给一个抽象的量表示权重，最后在用一些方法去统计出整体的相似度。

如果是其他的，可能首先也需要进行数据清洗的工作，留下那些关键的能够表示物体特征的部分，对这些部分定权值，再去估计整体。

相似度计算关键组件

相似度计算方法有2个关键组件：

表示模型

度量方法

前者负责将物体表示为计算机可以计算的数值向量，也就是提供特征。

后者负责基于前面得到的数值向量计算物体之间的相似度。

距离的度量方式

欧几里得距离

使用python计算欧式距离：

distance = numpy . linalg . norm ( vec1 - vec2 )

相似度为：

similarity = 1.0 / ( 1.0 + np . linalg . norm ( dataA - dataB ) )

余弦距离

余弦距离的计算方式



与欧氏距离的区别：

欧氏距离能够体现个体数值特征的绝对差异，所以更多的用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异。

余弦距离更多的是从方向上区分差异，而对绝对的数值不敏感，更多的用于使用用户对内容评分来区分兴趣的相似度和差异，同时修正了用户间可能存在的度量标准不统一的问题（因为余弦距离对绝对数值不敏感）

Jacard相似度

distance = 1 / similarity

思想非常简单，两个集合共有的元素越多，二者越相似。

汉明距离

两个字码中不同位值的数目称为汉明距离。

Hamming distance = 0 （a i = b i ) Hamming distance = 1 （a i != b i )

最后统计相加。

最小编辑距离

最小编辑距离是一种经典的距离计算方法，用来度量字符串之间的差异。它认为，将字符串A不断修改(增删改)、直至成为字符串B，所需要的修改次数代表了字符串A和B的差异大小。当然了，将A修改为B的方案非常多，选哪一种呢？我们可以用动态规划找到修改次数最小的方案，然后用对应的次数来表示A和B的距离。

总结

待学：

朴素贝叶斯分类器，文本切分粒度，分词，句法分析，特征构建方法

感觉还是可以的。

淘宝

>>> url = 'https://www.taobao.com/list/product/%E6%B7%98%E5%AE%9D%E7%BD%91%E9%A6%96%E9%A1%B5%E7%89%88.htm'
>>> article = Article(url, language = 'zh')
>>> article.download()
>>> article.parse()
>>> print(article.title)
品牌 - 淘宝海外
>>> print(article.text)
关于商品

淘宝当前有260件淘宝网首页版相关的商品在售。

不太行。

商品详情页

0亿美元的紧急资金储备，用于各州医疗机构应对新冠肺炎疫情，同时要求各州尽快建立应对新冠肺炎的应急指挥中心。(完)
>>> url = 'https://item.jd.com/3152659.html'
>>> article = Article(url, language = 'zh')
>>> article.download()
>>> article.parse()
>>> print(article.title)
【肌肤之钥妆前乳】CPB肌肤之钥光透妆前乳 30ml（ 短管控油 打底）【行情 报价 价格 评测】-京东
>>> print(article.text)
京东上的所有商品信息、客户评价、商品咨询、网友讨论等内容，是京东重要的经营资源，未经许可，禁止非法转载使用。

注：本站商品信息均来自于合作方，其真实性、准确性和合法性由信息拥有者（合作方）负责。本站不提供任何保证，并不承担任何法律责任。

京东价：京东价为商品的销售价，是您最终决定是否购买商品的依据。

划线价：商品展示的划横线价格为参考价，并非原价，该价格可能是品牌专柜标价、商品吊牌价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品在京东平台上曾经展示过的销售价；由于地区、时间的差异性和市场行情波动，品牌专柜标价、商品吊牌价等可能会与您购物时展示的不一致，该价格仅供您参考。

折扣：如无特殊说明，折扣指销售商在原价、或划线价（如品牌专柜标价、商品吊牌价、厂商指导价、厂商建议零售价）等某一价格基础上计算出的优惠比例或优惠金额；如有疑问，您可在购买前联系销售商进行咨询。

异常问题：商品促销信息以商品详情页“促销”栏中的信息为准；商品的具体售价以订单结算页价格为准；如您发现活动商品售价或促销信息有异常，建议购买前先联系销售商咨询

新闻

去试了新闻，发现也很不错。

搜索引擎

>>> url = 'https://www.baidu.com/s?wd=newspapers&tn=84053098_3_dg&ie=utf-8'
>>> article = Article(url, language = 'zh')
>>> article.download()
>>> article.parse()
>>> print(article.title)

>>> print(article.text)

>>>

感觉新闻和博客这样以文本内容为主的还是很准确的。