网页正文抽取（包含提取图片）

转自：http://bbs.it-home.org/thread-12676-1-1.html

/**
*@author Xin Chen
*Created on 2009-11-11
*Updated on 2010-08-09
*Email:  xchen@ir.hit.edu.cn
*Blog:   http://hi.baidu.com/爱心同盟_陈鑫 *Modified By : Yang @ http://www.chainlt.com */
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import dbhelper.TextTool;

/**
* <p>
* 在线性时间内抽取主题类（新闻、博客等）网页的正文。 采用了<b>基于行块分布函数</b>的方法，为保持通用性没有针对特定网站编写规则。
* </p>
*
* @author Chen Xin
* @version 1.0, 2009-11-11
*/
public class TextExtract {
private static List<String> lines;
private final static int blocksWidth;
private static int threshold;
private static String html;
private static boolean flag;
private static int start;
private static int end;
private static StringBuilder text;
private static ArrayList<Integer> indexDistribution;
private static List<String> old_lines;
private static String oldhtml;

static {
lines = new ArrayList<String>();
indexDistribution = new ArrayList<Integer>();
text = new StringBuilder();
blocksWidth = 3;
flag = false;

/* 当待抽取的网页正文中遇到成块的新闻标题未剔除时，只要增大此阈值即可。 */
/* 阈值增大，准确率提升，召回率下降；值变小，噪声会大，但可以保证抽到只有一句话的正文 */
threshold = 86;
}

public static void setthreshold(int value) {
threshold = value;
}

/**
* 抽取网页正文，不判断该网页是否是目录型。即已知传入的肯定是可以抽取正文的主题类网页。
*
* @param _html
*            网页HTML字符串
*
* @return 网页正文string
*/
public static String parse(String _html) {
return parse(_html, false);
}

/**
* 判断传入HTML，若是主题类网页，则抽取正文；否则输出<b>"unkown"</b>。
*
* @param _html
*            网页HTML字符串
* @param _flag
*            true进行主题类判断, 省略此参数则默认为false
* @return 网页正文string
*/
public static String parse(String _html, boolean _flag) {
flag = _flag;
html = _html;
preProcess();
// System.out.println(html);
return getText();
}

private static void preProcess() {
html = html.replaceAll("(?is)<!DOCTYPE.*?>", "");
html = html.replaceAll("(?is)<!--.*?-->", "");// remove html comment
html = html.replaceAll("(?is)<script.*?>.*?</script>", "");// remove
// javascript
html = html.replaceAll("(?is)<style.*?>.*?</style>", "");// remove css
html = html.replaceAll("(?is)style=\".*?\"", "");// remove css
html = html.replaceAll("&.{2,5};|&#.{2,5};", " ");// remove special char
oldhtml = html;
html = html.replaceAll("(?is)<.*?>", "");
// <!--[if !IE]>|xGv00|9900d21eb16fa4350a3001b3974a9415<![endif]-->
}

private static String getText() {
lines = Arrays.asList(html.split("\n"));
old_lines = Arrays.asList(oldhtml.split("\n"));
indexDistribution.clear();
boolean haveimg_arr[] = new boolean[old_lines.size()];
for (int i = 0; i < lines.size() - blocksWidth; i++) {
int wordsNum = 0;
for (int j = i; j < i + blocksWidth; j++) {
lines.set(j, lines.get(j).replaceAll("\\s+", ""));
wordsNum += lines.get(j).length();
}
indexDistribution.add(wordsNum);
// System.out.println(wordsNum);
if (old_lines.get(i).toLowerCase().contains("<img")) {
haveimg_arr[i] = true;
}
}
start = -1;
end = -1;
boolean boolstart = false, boolend = false;
text.setLength(0);
for (int i = 0; i < indexDistribution.size() - 1; i++) {
if (indexDistribution.get(i) > threshold && !boolstart) {
if (indexDistribution.get(i + 1).intValue() != 0
|| indexDistribution.get(i + 2).intValue() != 0
|| indexDistribution.get(i + 3).intValue() != 0) {
boolstart = true;
start = i;
continue;
}
}
if (boolstart) {
if (haveimg_arr[i]) {
continue;
}
if (indexDistribution.get(i).intValue() == 0
|| indexDistribution.get(i + 1).intValue() == 0) {
end = i;
boolend = true;
}
}
if (boolend) {
StringBuilder tmp = new StringBuilder();
// System.out.println(start+1 + "\t\t" + end+1);
for (int ii = start; ii <= end; ii++) {
if (haveimg_arr[ii]) {
String img = getImg(old_lines.get(ii));
if (img == null)
continue;
tmp.append(img + "\n");
continue;
}
if (lines.get(ii).length() < 5)
continue;
tmp.append("<p>" + lines.get(ii) + "</p>\n");
}
String str = tmp.toString();
// System.out.println(str);
if (str.contains("Copyright") || str.contains("版权所有"))
continue;
text.append(str);
boolstart = boolend = false;
}
}
return text.toString();
}

public static String getImg(String s) {
String img = TextTool.getBetweenOne(s, "<img", "</img>");
if (img == null) {
img = TextTool.getBetweenOne(s, "<img", "/>");
} else {
img = "<img" + img + "</img>";
}
if (img != null) {
img = "<img" + img + "/>";
}
return img;
}
}

PS:

Q:经常看见的正则前面的 (?i) (?s) (?m) (?is) (?im) 是什么意思？
A: 称为内联匹配模式，通常用内联匹配模式代替使用枚举值RegexOptions指定的全局匹配模式，写起来更简洁。
(?i) 表示所在位置右侧的表达式开启忽略大小写模式
(?s) 表示所在位置右侧的表达式开启单行模式。
更改句点字符 (.) 的含义，以使它与每个字符（而不是除 \n 之外的所有字符）匹配。
注意：(?s)通常在匹配有换行的文本时使用
(?m) 表示所在位置右侧的表示式开启指定多行模式。
更改 ^ 和 $ 的含义，以使它们分别与任何行的开头和结尾匹配，
而不只是与整个字符串的开头和结尾匹配。
注意：(?m)只有在正则表达式中涉及到多行的“^”和“$”的匹配时，才使用Multiline模式。
上面的匹配模式可以组合使用，比如(?is),(?im)。
另外，还可以用(?i:exp)或者(?i)exp(?-i)来指定匹配的有效范围。