作者：李曉飛

來源：Python 技術(shù)

爬蟲程序想必大家都很熟悉了，隨便寫一個就可以獲取網(wǎng)頁上的信息，甚至可以通過請求自動生成 Python 腳本[1]。

最近我遇到一個爬蟲項目，需要爬取網(wǎng)上的文章。感覺沒有什么特別的，但問題是沒有限定爬取范圍，意味著沒有明確的頁面的結(jié)構(gòu)。

對于一個頁面來說，除了核心文章內(nèi)容外，還有頭部，尾部，左右列表欄等等。有的頁面框架用 div 布局，有的用 table，即使都用 div，不太的網(wǎng)站風(fēng)格和布局也不同。

但問題必須解決，我想，既然搜索引擎抓取到各種網(wǎng)頁的核心內(nèi)容，我們也應(yīng)該可以搞定，拎起 Python， 說干就干！

各種嘗試

如何解決呢？

生成PDF

開始想了一個取巧的方法，就是利用工具（wkhtmltopdf[2]）將目標(biāo)網(wǎng)頁生成 PDF 文件。

好處是不必關(guān)心頁面的具體形式，就像給頁面拍了一張照片，文章結(jié)構(gòu)是完整的。

雖然 PDF 是可以源碼級檢索，但是，生成 PDF 有諸多缺點：

耗費計算資源多、效率低、出錯率高，體積太大。

幾萬條數(shù)據(jù)已經(jīng)兩百多G，如果數(shù)據(jù)量上來光存儲就是很大的問題。

提取文章內(nèi)容

不生成PDF，有簡單辦法就是通過 xpath[3] 提取頁面上的所有文字。

但是內(nèi)容將失去結(jié)構(gòu)，可讀性差。更要命的是，網(wǎng)頁上有很多無關(guān)內(nèi)容，比如側(cè)邊欄，廣告，相關(guān)鏈接等，也會被提取下來，影響內(nèi)容的精確性。

為了保證有一定的結(jié)構(gòu)，還要識別到核心內(nèi)容，就只能識別并提取文章部分的結(jié)構(gòu)了。像搜索引擎學(xué)習(xí)，就是想辦法識別頁面的核心內(nèi)容。

我們知道，通常情況下，頁面上的核心內(nèi)容（如文章部分）文字比較集中，可以從這個地方著手分析。

于是編寫了一段代碼，我是用 Scrapy[4] 作為爬蟲框架的，這里只截取了其中提取文章部分的代碼 ：

divs = response.xpath("body//div")
sel = None
maxvalue = 0 for d in divs:
  ds = len(d.xpath(".//div"))
  ps = len(d.xpath(".//p")) value = ps - ds if value > maxvalue:
    sel = { "node": d, "value": value }
    maxvalue = value print("".join(sel['node'].getall())) 

• response 是頁面的一個響應(yīng)，其中包含了頁面的所有內(nèi)容，可以通過 xpath 提取想要的部分
• "body//div" 的意思是提取所以 body 標(biāo)簽下的 div 子標(biāo)簽，注意：// 操作是遞歸的
• 遍歷所有提取到的標(biāo)簽，計算其中包含的 div 數(shù)量，和 p 數(shù)量
• p 數(shù)量 和 div 數(shù)量的差值作為這個元素的權(quán)值，意思是如果這個元素里包含了大量的 p 時，就認(rèn)為這里是文章主體
• 通過比較權(quán)值，選擇出權(quán)值最大的元素，這便是文章主體
• 得到文章主體之后，提取這個元素的內(nèi)容，相當(dāng)于 jQuery[5] 的 outerHtml

簡單明了，測試了幾個頁面確實挺好。

不過大量提取時發(fā)現(xiàn)，很多頁面提取不到數(shù)據(jù)。仔細(xì)查看發(fā)現(xiàn)，有兩種情況。

1. 有的文章內(nèi)容被放在了 <article> 標(biāo)簽里了，所以沒有獲取到
2. 有的文章每個 <p> 外面都包裹了一個 <div>，所以 p 的數(shù)量 和 div 的抵消了

再調(diào)整了一下策略，不再區(qū)分 div，查看所有的元素。

另外優(yōu)先選擇更多的 p，在其基礎(chǔ)上再看更少的 div。調(diào)整后的代碼如下：

divs = response.xpath("body//*")
sels = []
maxvalue = 0 for d in divs:
  ds = len(d.xpath(".//div"))
  ps = len(d.xpath(".//p")) if ps >= maxvalue:
    sel = { "node": d, "ps": ps, "ds": ds
    }
    maxvalue = ps
    sels.append(sel)

sels.sort(lambda x: x.ds)

sel = sels[0] print("".join(sel['node'].getall()))

• 方法主體里，先挑選出 p 數(shù)量比較大的節(jié)點，注意 if 判斷條件中 換成了 >= 號，作用時篩選出同樣具有 p 數(shù)量的結(jié)點
• 經(jīng)過篩選之后，按照 div 數(shù)量排序，然后選取 div 數(shù)量最少的

經(jīng)過這樣修改之后，確實在一定程度上彌補了前面的問題，但是引入了一個更麻煩的問題。

就是找到的文章主體不穩(wěn)定，特別容易受到其他部分有些 p 的影響。

選擇最優(yōu)

既然直接計算不太合適，需要重新設(shè)計一個算法。

我發(fā)現(xiàn)，文字集中的地方是往往是文章主體，而前面的方法中，沒有考慮到這一點，只是機械地找出了最大的 p。

還有一點，網(wǎng)頁結(jié)構(gòu)是個顆 DOM 樹[6]

那么越靠近 p 標(biāo)簽的地方應(yīng)該越可能是文章主體，也就是說，計算是越靠近 p 的節(jié)點權(quán)值應(yīng)該越大，而遠(yuǎn)離 p 的結(jié)點及時擁有很多 p 但是權(quán)值也應(yīng)該小一點。

經(jīng)過試錯，最終代碼如下：

def find(node, sel): value = 0 for n in node.xpath("*"): if n.xpath("local-name()").get() == "p":
            t = "".join([s.strip() for s in (n.xpath('text()').getall() + n.xpath("*/text()").getall())]) value += len(t) else: value += find(n, a)*0.5 if value > sel["value"]:
        sel["node"] = node
        sel["value"] = value return value sel = { 'value': 0, 'node': None
}
find(response.xpath("body"), sel)

• 定義了一個 find 函數(shù)，這是為了方便做遞歸，第一次調(diào)用的參數(shù)是 body 標(biāo)簽，和前面一樣
• 進(jìn)入方法里，只找出該節(jié)點的直接孩子們，然后遍歷這些孩子
• 判斷如果孩子是 p 節(jié)點，提取出其中的所有文字，包括子節(jié)點的，然后將文字的長度作為權(quán)值
• 提取文字的地方比較繞，先取出直接的文本，和間接文本，合成 list，對每部分文本做了去除前后空字符，最后合并為一個字符串，得到了所包含的文本
• 如果孩子節(jié)點不是 p，就遞歸調(diào)用 find 方法，而 find 方法返回的是 指定節(jié)點所包含的文本長度
• 在獲取子節(jié)點的長度時，做了縮減處理，用以體現(xiàn)距離越遠(yuǎn)，權(quán)值越低的規(guī)則
• 最終通過 引用傳遞的 sel 參數(shù)，記錄權(quán)值最高的節(jié)點

通過這樣改造之后，效果特別好。

為什么呢？其實利用了密度原理，就是說越靠近中心的地方，密度越高，遠(yuǎn)離中心的地方密度成倍的降低，這樣就能篩選出密度中心了。

50% 的坡度比率是如何得到的呢？

其實是通過實驗確定的，剛開始時我設(shè)置為 90%，但結(jié)果時 body 節(jié)點總是最優(yōu)的，因為 body 里包含了所有的文字內(nèi)容。

反復(fù)實驗后，確定 50% 是比較好的值，如果在你的應(yīng)用中不合適，可以做調(diào)整。

總結(jié)

描述了我如何選取文章主體的方法后，后沒有發(fā)現(xiàn)其實很是很簡單的方法。而這次解決問題的經(jīng)歷，讓我感受到了數(shù)學(xué)的魅力。

一直以來我認(rèn)為只要了解常規(guī)處理問題的方式就足以應(yīng)對日常編程了，可以當(dāng)遇到不確定性問題，沒有辦法抽取出簡單模型的問題時，常規(guī)思維顯然不行。

所以平時我們應(yīng)該多看一些數(shù)學(xué)性強的，解決不確定性問題的方法，以便提高我們的編程適應(yīng)能力，擴展我們的技能范圍。