Instapaper的网页内容文本自动抓取技术是什么原理，我看着好神奇。我试了好多网页，对于网页中对文本内容识别的都是惊人的准确。我问身边专门做数据采集的同事都不知道如何实现。
iiduce · Apr 3, 2011 · 15950 viewsThis topic created in 5692 days ago, the information mentioned may be changed or developed.
 |
1
|
1 |
xinzhiApr 3, 2011
2
各种Readability实现都是获取页面容器包含内容长度最大的部分。
|
 |
3
其实是 Marco 手动复制粘贴的。
|
 |
4
其实是 Marco 高薪吸引全球点击工跳槽。
|
 |
xds2000Apr 3, 2011
7
贴点硬头货
/* * Readability. An Arc90 Lab Experiment. * Website: http://lab.arc90.com/experiments/readability * Source: http://code.google.com/p/arc90labs-readability * * "Readability" is a trademark of Arc90 Inc and may not be used without explicit permission. * * Copyright (c) 2010 Arc90 Inc * Readability is licensed under the Apache License, Version 2.0. * * This version has been modified by Instapaper, LLC. * Uncompressed source of the modified version is available at: * http://www.instapaper.com/javascript/ipreadability-1.7.1.js **/ // DEFLATE, base64 by Dan Kogai http://github.com/dankogai/ 还是有点意思的。 |
 |
claliuApr 13, 2011
8
http://www.keyvan.net/2010/08/php-readability/
这里有Readability PHP移植 并公布了源代码 Keyvan是 http://fivefilters.org/ 的作者 |
 |
mywaitingApr 13, 2011
9
Mark 一下，马上就要用到这个。。。
|
 |
sogoodApr 14, 2011
10
哇，居然有开源代码，不错。
不知道跟神经网络的联系在哪里，回头看下源码。 感谢各位的分享。 |
 |
xatestOct 16, 2011
11
Instapaper对于豆瓣条目的评论识别正文经常出错~
|
 |
ywjnoOct 16, 2011
12
也有可能是通过正则来取得正文的，请看这个项目，http://github.com/plukevdh/readability
|
 |
XnEnokq9vkvVq4Oct 16, 2011
13
根据我的使用经验，Readability比Instapaper Text的准确率高一些。后者可能是一种秘而不宣的技术。。
|
 |
NumbcoderOct 16, 2011
14
以前还以为是通过RSS识别的。
|
 |
xohenOct 16, 2011
15
一直用read it later http://readitlaterlist.com/ 浏览器插件抓取，android上通过app阅读。
感觉Instapaper在V2EX受众更多一些？ |
|
xohenOct 16, 2011
16
在我记忆中，readitlaterlist不能抓取的页面包括豆瓣日记和新浪博客的文章
|
 |
acdea4effdbb420dOct 16, 2011
17
@xohen 我之前也一直用的readitlater，instapaper出来之后我发现它能导出到epub，这对eink用户来说是福音，就换到instapaper了
|
 |
leojoy710Oct 16, 2011
18
|
|
ywjnoOct 17, 2011
19
抱歉之前写的那个是错的项目，这个才是我说的通过正则查询正文的东东，
https://github.com/scyclops/Readable-Feeds/blob/master/readability/hn.py |
Select Language