新闻结构化信息提取
功能：可提取新闻标题、时间、作者、正文等信息
1.标题提取
1.1 如果是特殊的网站，使用指定的正则提取
1.2 否则在网页源代码中的title标签中提取，并去掉_、-、|之后的内容。多为网站名，如：
谱写美丽**的海南篇章--时政--人民网
1.3 如经过以上两步还没有匹配到标题，则在h1~h4标题标签中提取
2.时间提取
2.1 枚举时间正则
[
"(\d{4}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[0-1]?[0-9]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{4}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[2][0-3]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{4}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[0-1]?[0-9]:[0-5]?[0-9])",
"(\d{4}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[2][0-3]:[0-5]?[0-9])",
"(\d{4}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[1-24]\d时[0-60]\d分)([1-24]\d时)",
"(\d{2}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[0-1]?[0-9]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{2}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[2][0-3]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{2}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[0-1]?[0-9]:[0-5]?[0-9])",
"(\d{2}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[2][0-3]:[0-5]?[0-9])",
"(\d{2}[-|/|.]\d{1,2}[-|/|.]\d{1,2}\s*?[1-24]\d时[0-60]\d分)([1-24]\d时)",
"(\d{4}年\d{1,2}月\d{1,2}日\s*?[0-1]?[0-9]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{4}年\d{1,2}月\d{1,2}日\s*?[2][0-3]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{4}年\d{1,2}月\d{1,2}日\s*?[0-1]?[0-9]:[0-5]?[0-9])",
"(\d{4}年\d{1,2}月\d{1,2}日\s*?[2][0-3]:[0-5]?[0-9])",
"(\d{4}年\d{1,2}月\d{1,2}日\s*?[1-24]\d时[0-60]\d分)([1-24]\d时)",
"(\d{2}年\d{1,2}月\d{1,2}日\s*?[0-1]?[0-9]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{2}年\d{1,2}月\d{1,2}日\s*?[2][0-3]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{2}年\d{1,2}月\d{1,2}日\s*?[0-1]?[0-9]:[0-5]?[0-9])",
"(\d{2}年\d{1,2}月\d{1,2}日\s*?[2][0-3]:[0-5]?[0-9])",
"(\d{2}年\d{1,2}月\d{1,2}日\s*?[1-24]\d时[0-60]\d分)([1-24]\d时)",
"(\d{1,2}月\d{1,2}日\s*?[0-1]?[0-9]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{1,2}月\d{1,2}日\s*?[2][0-3]:[0-5]?[0-9]:[0-5]?[0-9])",
"(\d{1,2}月\d{1,2}日\s*?[0-1]?[0-9]:[0-5]?[0-9])",
"(\d{1,2}月\d{1,2}日\s*?[2][0-3]:[0-5]?[0-9])",
"(\d{1,2}月\d{1,2}日\s*?[1-24]\d时[0-60]\d分)([1-24]\d时)",
"(\d{4}[-|/|.]\d{1,2}[-|/|.]\d{1,2})",
"(\d{2}[-|/|.]\d{1,2}[-|/|.]\d{1,2})",
"(\d{4}年\d{1,2}月\d{1,2}日)",
"(\d{2}年\d{1,2}月\d{1,2}日)",
"(\d{1,2}月\d{1,2}日)"
]
2.2 在正文附近提取（正文位置判断见 4.正文提取），这里我在正文上下10行内提取。如正文在 202.3 若正文附近没有提取到时间，则在网页源代码中提取。
2.4 提取时间时，网页源代码需要把html标签替换为<>，因为html标签里边的文字可能符合时间正则，会被误提取出来，导致时间不准确
3.作者提取
3.1 同时间提取类似，枚举作者正则
[
"责编[：|:| |丨|/]\s*([\u4E00-\u9FA5]{2,5})[^\u4e00-\u9fa5|:|：]",
"作者[：|:| |丨|/]\s*([\u4E00-\u9FA5]{2,5})[^\u4e00-\u9fa5|:|：]",
"编辑[：|:| |丨|/]\s*([\u4E00-\u9FA5]{2,5})[^\u4e00-\u9fa5|:|：]",
"文[：|:| |丨|/]\s*([\u4E00-\u9FA5]{2,5})[^\u4e00-\u9fa5|:|：]",
"撰文[：|:| |丨|/]\s*([\u4E00-\u9FA5]{2,5})[^\u4e00-\u9fa5|:|：]"
]
3.2 在网页源代码中，根据以上正则提取作者信息
3.3 若没有匹配到，则将html标签替换为空格后进一步匹配，因为有的作者和名字中间有标签
3.4 仍没有匹配到，则在html的author标签中提取，正则为(?i)<meta.*?author.*?content="(.*?)"
4.正文提取
4.1 正文提取的方法有：
- 基于标签用途的正文提取算法（比如title或h1,h2标签一般用作标题，p一般表示正文段落，根据标签的含义去提取正文）
- 基于文本密度的正文提取算法（正文通常文字比较密集）
- 基于数据挖掘**的网页正文抽取方法
- 基于视觉网页块分析技术的正文抽取
正文提取方法一准确度不高，后两种复杂度及学习成本高。此处采用基于文本密度算法提取正文，算法通俗易懂、提取速度快，且准确度在98%以上
4.2 基于文本密度正文提取算法讲解
4.1.1 论证：
由算法名的表面意思，我们可得知，正文与文本密度有关。统计一篇网上的新闻http://news.cctv.com/2017/11/30/ARTIvCEUIYEZx9HTsTypXySQ171130.shtml，行号与字数的对应关系如下：
从图中可以看出207~242行之间文字比较密集，而事实上这段区间的内容正好是正文。
4.1.2 算法描述
-
处理html源代码（将html去标签，保留段落标签、图片标签等。将空格和换行符外的其他空白符去掉，空格在提取日期和作者中会用到，换行符用于分隔每行）；
-
统计连续n段文字的长度，此处用于形容一定区域的文本密度；
-
将文本最密集处当成正文的所在位置。如第i行~i+x行这段区间文本最密集，则初步将第i行当做正文所在位置；
-
从正文所在位置向上查找、找到文本块密度小于等于正文文本密度阈值时，算为正文起始位置；
-
在正文所在位置向下查找、找到文本密度小于等于正文文本密度阈值时，算为正文结束位置；
-
判断是否为正文：正文一般都包含p标签。此处统计p标签内的文字个数占正文总文字数的比例，所占比例超过一定阈值且正文字数大于一定阈值，则算为正文
举例说明：
下图为http://news.cctv.com/2017/11/30/ARTIvCEUIYEZx9HTsTypXySQ171130.shtml文本块密度统计，这里将连续10行算一个文本块。则下标为0的文本块所在行数为09，下标为1的文本块所在行数为110，下标为2的文本块所在行数为2~11... 以此类推（文本块下标与行号相吻合, 一个段落为一行）
从图中可以看出下标为231的文本块文本密度最高。此时，将算法描述步骤3的i值设为231。然后参考步骤4，向前找文本密度块小于正文文本密度阈值的行号，为207行。最后参考步骤5，向后找文本密度块小于正文文本密度阈值的行号，为242行。这与行内文本密度统计图相吻合。所以207行到242行为新闻正文。
问题1：为什么不直接用行内文本密度的方法直接找正文所在位置，而是引用了文本块的概念？
答： 因为网页多种多样，有的正文段落可能就是个图片，有的正文段落就几个字，也有的段落文字虽多但可能是导航或外链等信息。我们不能单纯的用最长段落做为正文所在位置，也不能单单的判断段落长度来定位正文的开始与结束位置。我们需要分析正文的特征，正文部分连续n段文本字数总和比较高，非正文部分连续n段文本字数总和比较低。我们根据文字最密集的文本块来定位正文所在位置，根据一定的阈值来分隔正文文本块与非正文部分。
问题2：为什么最后用p标签内文字个数占正文总文字数的比例作为判断是否为正文的依据？
答： p标签为段落标签，大多数新闻的正文段落都在p标签里。相反一些外链等文字一般在a标签里。我们用段落占比来判断是不是正文，并根据正文总字数删选，过滤掉新闻首页，中间导航页等非新闻信息。
4.1.2 算法实现
-
处理html源代码，保留p标签、img等标签
def __replace_str(self, source_str, regex, replace_str = ''): ''' @summary: 替换字符串 --------- @param source_str: 原字符串 @param regex: 正则 @param replace_str: 用什么来替换 默认为'' --------- @result: 返回替换后的字符串 ''' str_info = re.compile(regex) return str_info.sub(replace_str, source_str) def __del_html_tag(self, html, save_useful_tag = False): ''' @summary: --------- @param html: @param save_useful_tag:保留有用的标签，如img和p标签 --------- @result: ''' html = self.__replace_str(html, '(?i)') #(?i)忽略大小写html = self.__replace_str(html, '(?i)<style(.|\n)*?</style>') html = self.__replace_str(html, '<!--(.|\n)*?-->') html = self.__replace_str(html, '(?!&[a-z]+=)&[a-z]+;?', ' ') # 干掉 等无用的字符 但&xxx= 这种表示参数的除外 if save_useful_tag: html = self.__replace_str(html, r'(?!{useful_tag})<(.|\n)+?>'.format(useful_tag = '|'.join(USEFUL_TAG))) else: html = self.__replace_str(html, '<(.|\n)*?>') html = self.__replace_str(html, '[\f\r\t\v]') # 将空格和换行符外的其他空白符去掉 html = html.strip() return html保留的标签为
USEFUL_TAG = [ # html 中需要保留的标签 r'<img(.|\n)+?>', r'<p(.|\n)*?>', r'</p>', r'<span(.|\n)+?>', r'</span>', r'<strong.*?>', r'</strong>', r'<br.*?/>' ] -
正文提取
def get_content(self): ''' @summary: 基于文本密度查找正文 1、将html去标签，将空格和换行符外的其他空白符去掉 2、统计连续n段文字的长度，此处用于形容一定区域的文本密度 3、将文本最密集处当成正文的开始和结束位置 4、在正文开始处向上查找、找到文本密度小于等于正文文本密度阈值时，算为正文起始位置。该算法文本密度阈值值为文本密度值的最小值 5、在正文开始处向下查找、找到文本密度小于等于正文文本密度阈值时，算为正文结束位置。该算法文本密度阈值值为文本密度值的最小值 去除首页等干扰项： 1、正文一般都包含p标签。此处统计p标签内的文字数占总正文文字数的比例。超过一定阈值，则算为正文 待解决： 翻页 如：http://mini.eastday.com/a/171205202028050-3.html --------- --------- @result: ''' paragraphs = self._text.split('\n') # for i, paragraph in enumerate(paragraphs): # print(i, paragraph) # 统计连续n段的文本密度 paragraph_lengths = [len(self.__del_html_tag(paragraph)) for paragraph in paragraphs] # paragraph_lengths = [len(paragraph.strip()) for paragraph in paragraphs] paragraph_block_lengths = [sum(paragraph_lengths[i : i + MAX_PARAGRAPH_DISTANCE]) for i in range(len(paragraph_lengths))] # 连续n段段落长度的总和（段落块），如段落长度为[0,1,2,3,4] 则连续三段段落长度为[3,6,9,3,4] content_start_pos = content_end_pos = paragraph_block_lengths.index(max(paragraph_block_lengths)) #文章的开始和结束位置默认在段落块文字最密集处 min_paragraph_block_length = MIN_PARAGRAPH_LENGHT * MAX_PARAGRAPH_DISTANCE # 段落块长度大于最小段落块长度且数组没有越界，则看成在正文内。开始下标继续向上查找 while content_start_pos >= 0 and paragraph_block_lengths[content_start_pos] > min_paragraph_block_length: content_start_pos -= 1 # 段落块长度大于最小段落块长度且数组没有越界，则看成在正文内。结束下标继续向下查找 while content_end_pos < len(paragraph_block_lengths) and paragraph_block_lengths[content_end_pos] > min_paragraph_block_length: content_end_pos += 1 # 处理多余的换行和空白符 content = paragraphs[content_start_pos : content_end_pos] content = '\n'.join(content) content = self.__del_unnecessary_character(content) # 此处统计p标签内的文字数占总正文文字数的比例。超过一定阈值，则算为正文 paragraphs_text_len = len(self.__del_html_tag(''.join(tools.get_info(content, '<p.*?>(.*?)</p>')))) content_text_len = len(self.__del_html_tag(content)) if content_text_len and content_text_len > MIN_COUNTENT_WORDS and ((paragraphs_text_len / content_text_len) > MIN_PARAGRAPH_AND_CONTENT_PROPORTION): self._content_start_pos = content_start_pos self._content_end_pos = content_end_pos self._paragraphs = paragraphs return content else: return ''