本方法是基于文本密度的方法，最初的想法來源于哈工大的《基于行塊分布函數(shù)的通用網(wǎng)頁正文抽取算法》，本文基于此進(jìn)行一些小修改。

約定：
       本文基于網(wǎng)頁的不同行來進(jìn)行統(tǒng)計(jì)，因此，假設(shè)網(wǎng)頁內(nèi)容是沒有經(jīng)過壓縮的，就是網(wǎng)頁有正常的換行的。

       有些新聞網(wǎng)頁，可能新聞的文本內(nèi)容比較短，但其中嵌入一個(gè)視頻文件，因此，我會(huì)給予視頻較高的權(quán)重；這同樣適用于圖片，這里有一個(gè)不足，應(yīng)該是要根據(jù)圖片顯示的大小來決定權(quán)重的，但本文的方法未能實(shí)現(xiàn)這一點(diǎn)。

       由于廣告，導(dǎo)航這些非正文內(nèi)容通常以超鏈接的方式出現(xiàn)，因此文本將給予超鏈接的文本權(quán)重為零。

       這里假設(shè)正文的內(nèi)容是連續(xù)的，中間不包含非正文的內(nèi)容，因此實(shí)際上，提取正文內(nèi)容，就是找出正文內(nèi)容的開始和結(jié)束的位置。     

步驟：

       首先清除網(wǎng)頁中CSS,Javascript,注釋，Meta,Ins這些標(biāo)簽里面的內(nèi)容，清除空白行。

       計(jì)算每一個(gè)行的經(jīng)過處理的數(shù)值（1）

       計(jì)算上面得出的每行文本數(shù)的最大正子串的開始結(jié)束位置

其中第二步需要說明一下：

       對(duì)于每一行，我們需要計(jì)算一個(gè)數(shù)值，這個(gè)數(shù)值的計(jì)算如下：

              一個(gè)圖片標(biāo)簽img，相當(dāng)于出現(xiàn)長(zhǎng)度為50字符的文本 （給予的權(quán)重），x1,

              一個(gè)視頻標(biāo)簽embed，相當(dāng)于出現(xiàn)長(zhǎng)度為1000字符的文本, x2

              一行內(nèi)所有鏈接的標(biāo)簽 a 的文本長(zhǎng)度 x3 ,

              其他標(biāo)簽的文本長(zhǎng)度 x4

              每行的數(shù)值 = 50 * x1其出現(xiàn)次數(shù) + 1000 * x2其出現(xiàn)次數(shù) + x4 – 8

        //說明， -8 因?yàn)槲覀円?jì)算一個(gè)最大正子串，因此要減去一個(gè)正數(shù)，至于這個(gè)數(shù)應(yīng)該多大，我想還是按經(jīng)驗(yàn)來吧。

完整代碼

代碼如下:
#coding:utf-8
import re

def remove_js_css (content):
    """ remove the the javascript and the stylesheet and the comment content (<script>....</script> and <style>....</style> <!-- xxx -->) """
    r = re.compile(r'''<script.*?</script>''',re.I|re.M|re.S)
    s = r.sub ('',content)