基于DBScan和行块分布函数的网页正文提

工作以来，一直做数据挖掘。刚开始的时候，为政府网站抓取其他网站的正文内容做统计分析，到现在的公司，做海量数据相似度分析。刚开始时，仅仅基于Dom树做分析，然后找出那些最可能是正文的内容，但是这样做，仅能针对的网站数量很少，对于严重不符合规范的网站，抓取准确率很低。

这次，借着做毕业设计之际，有充足的时间做深入的学习。先是看了《基于DBScan算法的网页正文提取》，开始对正文提取的手段有了改观。

1.DBScan（for density-based spatial clustering of applications with noise），我觉得维基百科中对它的描述很准确，很详尽：

DBSCAN's definition of a cluster is based on the notion of density reachability. Basically, a point $q$ isdirectly density-reachable from a point $p$ if it is not farther away than a given distance $\varepsilon$ (i.e., is part of its $\varepsilon$ -neighborhood) and if $p$ is surrounded by sufficiently many points such that one may consider $p$ and $q$ to be part of a cluster. $q$ is called density-reachable (note the distinction from "directly density-reachable") from $p$ if there is a sequence $p_1,\ldots,p_n$ of points with $p_1 = p$ and $p_n = q$ where each $p_{i+1}$ is directly density-reachable from $p_i$ .

Note that the relation of density-reachable is not symmetric. $q$ might lie on the edge of a cluster, having insufficiently many neighbors to count as dense itself. This would halt the process of finding a path that stops with the first non-dense point. By contrast, starting the process with $q$ would lead to $p$ (though the process would halt there, $p$ being the first non-dense point). Due to this asymmetry, the notion of density-connected is introduced: two points $p$ and $q$ are density-connected if there is a point $o$ such that both $p$ and $q$ are density-reachable from $o$ . Density-connectedness is symmetric.

A cluster, which is a subset of the points of the database, satisfies two properties:

All points within the cluster are mutually density-connected.
If a point is density-connected to any point of the cluster, it is part of the cluster as well.

【摘自维基百科：http://en.wikipedia.org/wiki/DBSCAN】

2.DBSCan在网页抓取中的应用：DBScan的应用场景是通过聚类来找出相似的簇，从而过滤孤立点，也就是“噪声”。而在抓取网页正文这个应用场景中，我们却是通过DBScan来找出“噪声”。据统计，对于一个网页，正文的内容是密度最高的地方。当然，也存在这样的情况，导航不规范，内容堆砌在一起；评论内容很长等，这些都会导致后期的判断。所以，我们要在算法的基础上根据网页做出相应处理（例如，可以建立一个相对小的模板库，对抓取有误的网页模板进行存储等）。

3.哈尔滨工业大学社会计算与信息检索中心的陈鑫写过《基于行块分布函数的通用网页正文提取》这篇论文，该算法与DBScan类似：这个算法是通过求文字字数的分布函数，再找出分布图中的骤升骤降点。这跟查找“噪声”类似。基于行块分布函数还引入了文块长度这个阀值。

4.我所做的，就是在某些方面改写这个方法，让它更具应用性，例如，过滤时跳过图片，标题等等。为了使它更贴近我们的工作生活，我把它改写成javascript，让它在客户端工作，这样可以更加流畅，方便。下图为，在起点中文网上的实验图：

好了，现在开始一步一步来讲解：

4.1 在收藏夹上面创建“快捷键”（当然，你可以把它打包为chrome插件，关于chrome插件开发，可以参照：http://dev.chromechina.com/thread-1940-1-1.html）：新建一个收藏夹，在网址中写入下面的代码：

javascript: void((function() {
    var d = document;
    if (null == d.getElementById("thinkBank_ClearReader")) {
        var e = d.createElement("script");
        e.setAttribute("id", "thinkBank_ClearReader");
        e.setAttribute("charset", "UTF-8");
        e.setAttribute("src", "http://XXX/Scripts/displayHtmlClearly.js?" + Math.floor(new Date / 1E7));
        d.body.appendChild(e);
    }
})());

创建好如图所示：

4.2 创建displayHtmlClearly.js文件：

定义两个字符串对象，一个用于存储去掉所有js，css，标签后的内容（以行作为数组分隔）的textBody，另一个，存储去掉js，css，部分标签后的内容（非div，img，p，br，h1等）的textBodytPreview：（我的正则表达式学得很水，大家可以自行修改）

function removeTags() {
        var docType = /<!DOCTYPE.*?>/gi;
        var comment = /<!--.*?-->/gi;
        var js = /<script[^>]*?>([\s\S]*?)<\/script>/gi;
        var marquee = /<marquee[^>]*?>([\s\S]*?)<\/marquee>/gi;
        var css = /<style[^>]*?>([\s\S]*?)<\/style>/gi;
        var specialChar = /&.{2,8};|&#.{2,8};/g;
        var otherTag = /<[\s\S]*?>/gi;
        var liBTag = /<\s{0,}\/?li.*?>/gi;
        var removeStyle = /(<(h1|h2|h3|h4|h5|h6|strong|div|p|pre|person|plaintext))\s(?:\s*\w*?\s*=\s*".+?")*?\s*?(>)/gi;
        var otherTag_preview = /<(?!img)(?!\/?h1)(?!\/?h2)(?!\/?h3)(?!\/?h4)(?!\/?h5)(?!\/?h6)(?!\/?strong)(?!\/?div)(?!\/?p)(?!\/?br)(?!\/?a)[\s\S]*?>/gi;

        textBody = textBody.replace(docType, "");
        textBody = textBody.replace(comment, "");
        textBody = textBody.replace(marquee, "");
        textBody = textBody.replace(js, "");
        textBody = textBody.replace(/<script[^>]*?\/>/gi, "");
        textBody = textBody.replace(/<noscript[^>]*?>([\s\S]*?)<\/noscript>/gi, "");
        textBody = textBody.replace(css, "");
        textBody = textBody.replace(specialChar, "");
        textBody = textBody.replace(liBTag, "\n");
        textBodytPreview = textBody;

        textBody = textBody.replace(otherTag, "");
        textBodytPreview = textBodytPreview.replace(removeStyle, "$1$3");
        textBodytPreview = textBodytPreview.replace(otherTag_preview, "");

        textBodytPreview = textBodytPreview.replace(/(<h1><\/h1>\s{0,}){2,}/gi, "<h1></h1>");
        textBodytPreview = textBodytPreview.replace(/(<h2><\/h2>\s{0,}){2,}/gi, "<h2></h2>");
        textBodytPreview = textBodytPreview.replace(/(<h3><\/h3>\s{0,}){2,}/gi, "<h3></h3>");
        textBodytPreview = textBodytPreview.replace(/(<h4><\/h4>\s{0,}){2,}/gi, "<h4></h4>");
        textBodytPreview = textBodytPreview.replace(/(<h5><\/h5>\s{0,}){2,}/gi, "<h5></h5>");
        textBodytPreview = textBodytPreview.replace(/(<h6><\/h6>\s{0,}){2,}/gi, "<h6></h6>");

    }

这样，我们就得到两个字符串，用于查找聚类的纯文本和用于显示的带部分标签的文本。

4.3 核心算法分析：

将去掉文本的内容以行为单位，看成区域内离散的点，途中红色标出的点就是孤立点，就是我们要找的标题和正文内容：

核心代码：

View Code

 1 function extractText() {
 2         // 去除每行的空白字符
 3         lines = textBody.split('\n');
 4         lines2 = textBodytPreview.split('\n');
 5         for (var i = 0; i < lines.length; i++)
 6             lines[i] = lines[i].replace(/\s*/gi, "");
 7 
 8         // 去除上下紧邻行为空,且该行字数小于30的行
 9         for (var i = 1; i < lines.length - 1; i++) {
10             if (lines[i].length < 30 && 0 == lines[i - 1].length && 0 == lines[i + 1].length)
11                 lines[i] = "";
12         }
13 
14         // 统计去除空白字符后每个行块所含总字数
15         for (var i = 0; i < lines.length - blockHeight; i++) {
16             var len = 0;
17             for (var j = 0; j < blockHeight; j++)
18                 len += lines[i + j].length;
19             blockLen.push(len);
20         }
21 
22         // 寻找各个正文块起始和结束行,并进行拼接
23         textStart = FindTextStart(0);
24         if (0 == textStart)
25             content = "未能提取到正文!";
26         else {
27             if (bJoinMethond == 1) {
28                 while (textEnd < lines.length) {
29                     textEnd = FindTextEnd(textStart);
30                     content += GetText();
31                     textStart = FindTextStart(textEnd);
32                     if (0 == textStart)
33                         break;
34                     textEnd = textStart;
35                 }
36             }
37             else {
38                 textEnd = FindTextEnd(textStart);
39                 content += GetText();
40             }
41         }
42     }
43 
44     // 如果一个行块大小超过阈值,且紧跟其后的1个行块大小不为0,则此行块为起始点（即连续的4行文字长度超过阈值）
45     function FindTextStart(index) {
46         for (var i = index; i < blockLen.length - 1; i++) {
47             if (blockLen[i] > threshold && blockLen[i + 1] > 0) {
48                 return i;
49             }
50         }
51         return 0;
52     }
53 
54     // 起始点之后,如果2个连续行块大小都为0,则认为其是结束点（即连续的4行文字长度为0）
55     function FindTextEnd(index) {
56         for (var i = index + 1; i < blockLen.length - 1; i++) {
57             if (0 == blockLen[i] && 0 == blockLen[i + 1])
58                 return i;
59         }
60         return lines.length - 1;
61     }
62 
63     function GetText() {
64         var sb = "";
65         for (var i = textStart; i < textEnd; i++) {
66             if (lines2[i].length != 0)
67                 sb += lines2[i];
68         }
69         return sb;
70     }

4.4 找出正文，接下来显示即可，我的显示就是在原网页上覆盖一个iframe，这样，因为我们请求过网页，仅仅需要在客户端做这些分析即可，不用再次请求（在网易的新闻做的测试，原网页上）：

4.5 感谢HIT-SCIR的陈鑫前辈，感谢华南农业大学信息学院的欧阳佳，林丕源给我的灵感。

4.6 如果下次有空，在分享我对这个js类库的改进，添加了基于视觉的网页分割算法VIPS。本人学艺尚浅，如果有写的不好的地方，请指教。

QQ:344481058 邮箱：three_zone@163.com

2012年07月05日修改：由于有些读者想看整个javascript文件，故将文件共享出来，希望可以与大家一起交流。

猛戳下载

posted @ 2012-04-29 19:23 三度空间阅读(1209) 评论(3) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

基于DBScan和行块分布函数的网页正文提

公告