总结
抓取单个网站网页内容时通常采用正则匹配的方式，但不同网站之间结构千奇百怪，很难用统一的正则表达式进行匹配。《基于行块分布函数的通用网页正文抽取算法》的作者总结了一般从网页中提取文章正文的方法，提出基于行块分布的正文抽取算法，并给出了 php 、java 等实现。这一算法的主要原理基于两点：1、正文区密度：在去除html中所有tag之后，正文区字符密度更高，较少出现多行空白；2、行块长度：非正文区域的内容一般单独标签（行块）中较短。算法步骤如下：
1、去除所有tag，包括样式、Js脚本内容等，但保留原有的换行符\n
2、将网页内容按行分割，定义行块 $block_i$ 为第 $[i, i + blockSize]$ 行文本之和并给出行块长度基于行号的分布函数：
立即学习“Python免费学习笔记（深入）”；
3、正文出现在最长的行块，截取两边至行块长度为 0 的范围：
4、如果需要提取正文区域出现的图片，只需要在第一步去除tag时保留标签的内容：
以上就是【python教程】网页正文及内容图片提取算法的内容，更多相关内容请关注PHP中文网（www.php.cn）！
python怎么学习？python怎么入门？python在哪学？python怎么学才快？不用担心，这里为大家提供了python速学教程(入门到精通)，有需要的小伙伴保存下载就能学习啦！
广告![ThinkPHP5快速开发企业站点[全程实录]](https://img.php.cn/upload/course/000/000/068/6253d918a3ce7278.png)
收藏
收藏
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
下载豆包电脑版，提高工作效率
857
