1 место Универсальный экстрактор™ контента (основной статьи страницы)

[Lord_Alfred]

Пару месяцев назад я публиковал в своём блоге видео с конференции, где рассказывалось какие есть сложности в реализации универсального парсера контента (основной статьи страницы без мусора: без меню, футера и тд) из html-кода. В комментариях к той записи мы обсудили, что хотелось бы использовать готовую библиотеку, дабы не писать свои велосипеды из регулярок, и именно тогда мой взор пал на пакет для Golang, который базируется на Readability.js (самом актуальном решении этой задачи от разработчиков Mozilla). Go'шная реализация переписана практически строчка-в-строчку, а что самое важное - её можно скомпилировать в исполняемый файл, чтобы получить максимальную производительность от языка, который сделали инженеры Google. Я взял этот go'шный пакет, скрестил его с другим (для работы из CLI) и сделал шаблон поверх этого добра, чтоб выполнять предварительную валидацию и постобработку.

Для чего нужен такой парсер контента? Чтобы грабить корованы конечно же! наполнять этим контентом доры/копипастные сайты, использовать его для переводов или исследований (составление датасетов).

Инструкция по компиляции парсера:

1. Скачайте архив из аттача, распакуйте его
2. Установите git: https://git-scm.com/download/win (необходим для установки зависимостей)
3. Установите go: https://golang.org/dl/ (я использовал версию 1.14, инсталлятор "go1.14.windows-amd64.msi")
4. После установки откройте cmd.exe и перейдите в папку с распакованным шаблоном и файлами:
   
   
5. Установите зависимости:
   
   go get github.com/urfave/cli
   go get github.com/go-shiori/go-readability
   
   
   
6. Скомпилируйте парсер:
   
   go build readability_cli.go
   
7. Протестируйте его работоспособность (данный текст означает что всё хорошо, просто мы не передали обязательный параметр --url):
   
   

После этих простых манипуляций вы можете парсить контент без мусора просто в гигантских масштабах с молниеносной скоростью. А чтобы понять как это всё работает - я добавил тестовый шаблон readability_example.xmlz, который уже и запускает вложенный шаблон-парсер со следующим функционалом:

• Парсинг на запросах, без браузера.
• Очень точное получение основного контента за счёт использования актуальной библиотеки (а не старых решений на php/python/.net 2000-2010 годов, которые мало того что грузят CPU, так ещё и парсят мусор).
• Мультиязычная обработка (нет привязки к языкам, парсер должен переварить хоть тайский, хоть китайский).
• Встроенное кеширование через md5-хэш URL (в случае если вы парсите контент в реалтайме под каждую страницу как я, то вам нет смысла гонять парсер по одним и тем же ссылкам несколько раз).
• Использование рандомного прокси из проксичекера (можно отключить для ускорения).
• Валидация HTTP-статус кода (проверка, что страница отдала 200 код).
• Пропуск всех результатов, где контент закодирован Brotli (в данный момент ZP не поддерживает декодирование).
• Проверка типа данных (поддерживается парсинг только html, чтоб не попадались pdf/docx или другие документы).
• Очистка результата от любых ссылок (очень крутой алгоритм, который я уже давно использую, но если нужно - это можно отключить).
• Исправление пробелов/табов/переводов строк (дублей и некорректных завершений).
• Исправление пробелов перед важными пунктуационными символами.
• Два метода для удаления дубликатов (среди строк и предложений).
• Эвристический метод для определения бинарных данных (может иногда быть слишком агрессивным, но на больших объемах лучше так).
• Эвристический метод для удаления результатов, состоящих практически из одних цифр.
• Сохранение метаданных рядом в кэше (добавлено сохранение только URL в xml-подобной структуре, но с легкостью можно добавить свои данные: нишу, запрос и тд).

Те, кто протестируют шаблон - будут приятно удивлены скоростью парсинга и минимальной нагрузкой на CPU, которая достигается как раз за счёт использования golang

 

[Valandersi]

Техничка подъехала. Возможно это мне не пригодиться сейчас, но пригодиться в дальнейшем. Спс

 

[Supergrok]

Это матрица, детка. Какой же я тупой, чтобы понять все это, все эти термины, алгоритмы,да и вобще ход этих мыслей

 

[Lord_Alfred]

Это матрица, детка. Какой же я тупой, чтобы понять все это, все эти термины, алгоритмы,да и вобще ход этих мыслей

Чем больше информации ты впитываешь и пропускаешь через себя (не обязательно даже полностью воспроизводя её и понимая) - тем умнее ты становишься

Техничка подъехала. Возможно это мне не пригодиться сейчас, но пригодиться в дальнейшем. Спс

Да, забыл написать в посте - это будет полезно для тех кто в будущем захочет скрестить зенку и golang. Чуть сложнее уже будет через gRPC обмениваться данными, но может и что-то такое я когда-нибудь расковыряю для себя и выложу для всех

 

[Сибиряк]

Пошла жара! Вот такие шабы интересны!

 

[goldenbux]

 

[Danny]

Вау!
Спасибо большое за труды и классный шаблон! )

 

[goldenbux]

​

• Очистка результата от любых ссылок (очень крутой алгоритм, который я уже давно использую, но если нужно - это можно отключить).

Посмотреть вложение 51506

Привет, спасибо за материал, реально интересная тема. Можно отдельно поподробнее про алгоритм очистки, по какому принципу он работает? Есть шаблон, в который что то подобное очень бы пригодилось, нужна идея по какому принципу работать))

Может быть можно где то прочитать поподробнее об этом крутом алгоритме?

 

[Lord_Alfred]

Может быть можно где то прочитать поподробнее об этом крутом алгоритме?

Там несколько киллер-регулярок, которые в том числе умеют корректно определять доменную зону (за счет использования их в виде списка внутри). Шаблон открытый если что - там это в последнем кубике "fix content" )

 

[Astraport]

Это удивительно, но вчера как раз с @specialist копали в том же направлении, но на чистом C#.
И ты забыл добавить пункт о наличии Git в системе.
А почему Универсальный экстрактор™ <=?

 

[Astraport]

Немного потестил. Пара вопросов.
1. На некоторых сайтах в результатах - Пожалуйста, обновите свой браузер. Мы рекомендуем Google Chromeпоследней версии.
2. Как парсить оставляя нужные теги? Например списки, таблицы, картинки?

 

[Lord_Alfred]

И ты забыл добавить пункт о наличии Git в системе.

Ого! Большое спасибо за это замечание, у меня он стоял по дефолту и я даже не подозревал, что он необходим!

А почему Универсальный экстрактор™

Что бы у кого-нибудь триггернуло и кто-нибудь спросил...))

1. На некоторых сайтах в результатах - Пожалуйста, обновите свой браузер. Мы рекомендуем Google Chromeпоследней версии.

Можно пример? Вряд ли я смогу что-то поправить, но любопытно посмотреть что там за верстка если такое выдаётся.

2. Как парсить оставляя нужные теги? Например списки, таблицы, картинки?

Определённые теги никак не оставить, максиму что - это можно поправить мой исходник "readability_cli.go" и за место сохранения тела статьи article.TextContent - можно подтянуть из оригинального пакета следующие данные:

article.Title // тайтл
article.TextContent // текстовый контент без тегов
article.Content // контент с html-тегами
article.Byline // автор из метаданных
article.Excerpt // короткое содержание статьи (саммари)
article.SiteName // название сайта
article.Image // какое-то изображение из статьи из метаданных
article.Favicon // фавикон

 

[Astraport]

Можно пример?

Эволюция 2020: от Homo sapiens к человеку публичному

Наверное, многие из вас слышали историю о блогере Екатерине Диденко, муж которой умер по причине собственной глупости (забросил 25 кг сухого льда в бассейн, затем прыгнул в него и задохнулся, не зная банальных химических свойств, которым учат в школе). Вместе с её мужем погибло ещё 2 человека, а...

seoded.d3.ru

 

[inilim]

Примеров не хватает.

 

[Asmus003]

Чуть сложнее уже будет через gRPC обмениваться данными, но может и что-то такое я когда-нибудь расковыряю для себя и выложу для всех

А в чем преимущество такой связки зенки и голанга?

 

[Lord_Alfred]

@Astraport, там нет контента в исходном коде ) А данный пакет не строит DOM-дерево (точнее не обрабатывает javascript), поэтому такой результат - вполне логичный. Я даже вот lynx поставил потестить ради интереса, чтоб узнать что он выдаст на ту страницу:

Спойлер: ну и вот...

правда, кириллический шрифт почему-то не подтянулся, ну да ладно.

Примеров не хватает.

Каких именно примеров? В архиве лежит шаблон readability_example.xmlz, который и подраузмевался как пример

А в чем преимущество такой связки зенки и голанга?

Если через gRPC гонять запросы, то можно было бы исполняемый файл golang сделать в виде демона, который постоянно висел и ожидал бы данных - это ещё бы сократило время на обработку. Но и в текущей реализации я не успеваю заметить как запускается и умирает процесс в диспетчере задач, потому что они очень быстро обрабатывают данные.

 

[MasterX]

У Алфреда как всегда годнота, которую понимают и применяют еденицы. НО ты крут.

 

[Lord_Alfred]

У Алфреда как всегда годнота, которую понимают и применяют еденицы. НО ты крут.

Спасибо за добрые слова!

 

[Max]

а где экстрактор то взяв либу и скомпилив тупо ее...эх...плюс либа на момент когда последний раз тестил была сыровата и не очень хорошо выделяла статью...
при твои знаниях мен - мог бы что нить поинтересней придумать... у нас же конкурс шаблонов где должна быть интересная реализация или сложная.
короче я просто плачу от конкурса...даже отцы не порадовали...

 

[TwistDanceR]

Неплохо) Надо будет затестить. В мире SEO оч пригодится) Учитывая, что есть синонимайзер под статьи - для доров и сателлитов прям хорошая. Нраица)

 

[Lord_Alfred]

а где экстрактор то взяв либу и скомпилив тупо ее.

А зачем писать ещё один велосипед, который будет с квадратными колёсами, если есть уже готовые с овальными?

плюс либа на момент когда последний раз тестил была сыровата и не очень хорошо выделяла статью...

Примеры? Я её месяц гонял перед конкурсом - результат меня полностью устраивал.

при твои знаниях мен - мог бы что нить поинтересней придумать... у нас же конкурс шаблонов где должна быть интересная реализация или сложная.

Быть первым, кто скрестит супер-мощный и быстрый golang и ZP - разве не интересно? Думаю, те, кто шарят как ты - могут такие вещи взять на заметку и применить их в чём-то другом, более интересном.

К слову, ты посмотрел внутрь шаба? Там есть несколько любопытных мест (предварительная валидация и пост обработка).

 

[Nike59]

Попробовал демо. Быстро. Даже очень быстро парсит. Посмотрел основной шаблон. Влет мне не разобраться, но очень интересно. @Lord_Alfred в очередной раз впечатлил меня своей программистской и исследовательской дотошностью и полетом мысли. Буду голосовать за этот конкурсный проект.

 

[udder]

Великолепный шаблон.
Текст на выходе чистый. Теперь нужно научиться добывать ссылки на статьи для парсинга

P.S Шаблон запускать можно в многопоток?

 

[Max]

1. статью можно писать в системный аут а не файлы
2. я не увидел скрещивания го и шарпа. скрещивание было бы если написал мост с помощью которого из зенки можно было вызывать модули голанга и функции напрямую.
3. лучшим решением было бы создать экзешник с асинхронным хттп-сервером. на вход данные на выход результат. тот же микросервис.

про четкость определения статьи - я давно юзал.. возможно качество улучшили.
ну и в целом шаб норм наверное...но пока ничего не вставило из конкурса от слова совсем...

держу пальцы за симпатии разрабов и оригинальность. успехов.

 

[intagens]

супер инструмент! вот, прям, то что искал!)

можно поправить мой исходник "readability_cli.go"

что именно поправить и как это сделать?

за место сохранения тела статьи article.TextContent - можно подтянуть из оригинального пакета следующие данные

это надо исправить в исходнике или добавить в сниппетах(если в сниппетах, то article.TextContent я не нашел)

и еще подскажи, можно ли настроить шаблон, чтобы он не парсил подписи к картинкам и названия разделов статьи?

 

[radv]

Полезная штука

 

[Lord_Alfred]

Текст на выходе чистый. Теперь нужно научиться добывать ссылки на статьи для парсинга

Думаю, кто угодно сможет скрестить его с каким-нибудь из бесплатных шаблонов:

• Парсер выдачи Google поиска
• Парсер выдачи Яндекс поиска
• Парсер выдачи поисковика Yahoo
• Парсер выдачи поисковика Bing
• Парсер выдачи поисковика Mail.ru

P.S Шаблон запускать можно в многопоток?

Конечно!

что именно поправить и как это сделать?

Для парсинга контента с тегами нужно найти в файле readability_cli.go строку article.TextContent и заменить её на article.Content.

и еще подскажи, можно ли настроить шаблон, чтобы он не парсил подписи к картинкам и названия разделов статьи?

Нельзя, только если хакать саму либу

 

[intagens]

Для парсинга контента с тегами нужно найти в файле readability_cli.go строку article.TextContent и заменить её на article.Content

мне не нужны теги) мне нужно получать из статьи article.TextContent, article.Title и article.Image ... так получиться?

article.Image // какое-то изображение из статьи из метаданных

а что значит "какое-то"? рандомное? а если изображений несколько - можно получить все?

 

[slcor]

Просто шикарный шаблон, спасибо!

мне не нужны теги) мне нужно получать из статьи article.TextContent, article.Title и article.Image ... так получиться?

Там в самом конце файла, есть dstTxtFile.WriteString(article.TextContent)
Просто дописываешь дальше, что тебе нужно, например так:

dstTxtFile.WriteString(article.TextContent)
dstTxtFile.WriteString("Title:\n")
dstTxtFile.WriteString(article.Title)
dstTxtFile.WriteString("Image:\n")
dstTxtFile.WriteString(article.Image)

 

[intagens]

Просто дописываешь дальше, что тебе нужно, например так:

дописал ... чет не фурычит .... как брало, только, тело статьи так и берет