6月 28

之前有记录一篇提取网页正文的算法

提取网页正文的通用算法

 

发现在一些文章上提取效果不是很理想。后来发现了 Raedability网站(www.readability.com)

它最引以为傲的就是其强大的解析引擎, 号称世界上最强大的文本解析神器. Safari中的"阅读器"功能就是用它来实现的! 他们还提供了API可以调用解析器的功能

 

网上找了一个包装代理类,发现已经失效了。自己写了一个,依然用的.net core

    public static class ReadabilityProxy
    { 
        private static HttpClient httpClient = new HttpClient();
        public static Article Parse(string url, string token) //token就是各位的appkey
        {
            var encUrl = WebUtility.UrlEncode(url);
            Uri u = new Uri(string.Format("https://mercury.postlight.com/parser?url={0}", encUrl, token));
            httpClient.DefaultRequestHeaders.Add("x-api-key", token);
            var json = httpClient.GetStringAsync(u).Result;
            var article = Newtonsoft.Json.JsonConvert.DeserializeObject<Article>(json);
            article.Decode();
            return article;
        } 
    }
    
    public class Article
    {
        public string Domain;
        public string Next_Page_Id;
        public string Url;
        public string Content;
        public string Short_Url;
        public string Excerpt;
        public string Direction;
        public int Word_Count;
        public int Total_Pages;
        public string Date_Published;
        public string Dek;
        public string Lead_Image_Url;
        public string Title;
        public int Rendered_Pages;

        public virtual void Decode()
        {
            this.Excerpt = WebUtility.HtmlDecode(this.Excerpt);
            this.Content = WebUtility.HtmlDecode(this.Content);
        }
    }

调用方式

    static void Main(string[] args)
    {
        var article = ReadabilityProxy.Parse("http://blog.wx6.org/", 
            "5yf880mid1fMlpVUEDFaw3mquGCuzzzxAJhrqn1x");
        article.Decode();
        Console.WriteLine(article.Title);
        Console.WriteLine(article.Excerpt);
        Console.WriteLine(article.Content);
        Console.ReadLine();
    }

 

不过实际效果发现也不是很完美 

written by ocean

6月 22

做采集会用到提取网页正文的功能。

找到一个 《基于行块分布函数的通用网页正文抽取算法》

已经有一个实现方式了,项目名称Html2Article 原作者不支持.net core

因为我要在 .net core 中使用,所以github上找到源代码,稍作修改

调用方式很简单

var article=Html2Article.GetArticle(html); 
Console.WriteLine(article.ContentWithTags);

 

纪录下来改过的源代码

   /// <summary>
    /// 文章正文数据模型
    /// </summary>
    public class Article
    {
        /// <summary>
        /// 文章标题
        /// </summary>
        public string Title { get; set; }
        /// <summary>
        /// 正文文本
        /// </summary>
        public string Content { get; set; }
        /// <summary>
        /// 带标签正文
        /// </summary>
        public string ContentWithTags { get; set; }
        /// <summary>
        /// 文章发布时间
        /// </summary>
        public DateTime PublishDate { get; set; }
    }
     
    public class Html2Article
    {
        #region 参数设置

        // 正则表达式过滤:正则表达式,要替换成的文本
        private static readonly string[][] Filters =
        {
            new[] { @"(?is)<script.*?>.*?</script>", "" },
            new[] { @"(?is)<style.*?>.*?</style>", "" },
            new[] { @"(?is)<!--.*?-->", "" },    // 过滤Html代码中的注释
            // 针对链接密集型的网站的处理,主要是门户类的网站,降低链接干扰
            new[] { @"(?is)</a>", "</a>\n"}
        };

        private static bool _appendMode = false;
        /// <summary>
        /// 是否使用追加模式,默认为false
        /// 使用追加模式后,会将符合过滤条件的所有文本提取出来
        /// </summary>
        public static bool AppendMode
        {
            get { return _appendMode; }
            set { _appendMode = value; }
        }

        private static int _depth = 6;
        /// <summary>
        /// 按行分析的深度,默认为6
        /// </summary>
        public static int Depth
        {
            get { return _depth; }
            set { _depth = value; }
        }

        private static int _limitCount = 180;
        /// <summary>
        /// 字符限定数,当分析的文本数量达到限定数则认为进入正文内容
        /// 默认180个字符数
        /// </summary>
        public static int LimitCount
        {
            get { return _limitCount; }
            set { _limitCount = value; }
        }

        // 确定文章正文头部时,向上查找,连续的空行到达_headEmptyLines,则停止查找
        private static int _headEmptyLines = 2;
        // 用于确定文章结束的字符数
        private static int _endLimitCharCount = 20;

        #endregion

        /// <summary>
        /// 从给定的Html原始文本中获取正文信息
        /// </summary>
        /// <param name="html"></param>
        /// <returns></returns>
        public static Article GetArticle(string html)
        {
            // 如果换行符的数量小于10,则认为html为压缩后的html
            // 由于处理算法是按照行进行处理,需要为html标签添加换行符,便于处理
            int tagCount = 0;
            for (int index = 0; index < html.Length; index++)
            {
                if (html[index] == '\n')
                {
                    tagCount++;
                }
            }
            if (tagCount < 10)
            {
                html = html.Replace(">", ">\n");
            }

            // 获取html,body标签内容
            string body = "";
            string bodyFilter = @"(?is)<body.*?</body>";
            Match m = Regex.Match(html, bodyFilter);
            if (m.Success)
            {
                body = m.ToString();
            }
            // 过滤样式,脚本等不相干标签
            foreach (var filter in Filters)
            {
                body = Regex.Replace(body, filter[0], filter[1]);
            }
            // 标签规整化处理,将标签属性格式化处理到同一行
            // 处理形如以下的标签:
            //  <a 
            //   href='http://www.baidu.com'
            //   class='test'
            // 处理后为
            //  <a href='http://www.baidu.com' class='test'>
            body = Regex.Replace(body, @"(<[^<>]+)\s*\n\s*", FormatTag);

            string content;
            string contentWithTags;
            GetContent(body, out content, out contentWithTags);

            Article article = new Article
            {
                Title = GetTitle(html),
                PublishDate = GetPublishDate(body),
                Content = content,
                ContentWithTags = contentWithTags
            };

            return article;
        }

        /// <summary>
        /// 格式化标签,剔除匹配标签中的回车符
        /// </summary>
        /// <param name="match"></param>
        /// <returns></returns>
        private static string FormatTag(Match match)
        {
            StringBuilder sb = new StringBuilder();
            foreach (var ch in match.Value)
            {
                if (ch == '\r' || ch == '\n')
                {
                    continue;
                }
                sb.Append(ch);
            }
            return sb.ToString();
        }

        /// <summary>
        /// 获取时间
        /// </summary>
        /// <param name="html"></param>
        /// <returns></returns>
        private static string GetTitle(string html)
        {
            string titleFilter = @"<title>[\s\S]*?</title>";
            string h1Filter = @"<h1.*?>.*?</h1>";
            string clearFilter = @"<.*?>";

            string title = "";
            Match match = Regex.Match(html, titleFilter, RegexOptions.IgnoreCase);
            if (match.Success)
            {
                title = Regex.Replace(match.Groups[0].Value, clearFilter, "");
            }

            // 正文的标题一般在h1中,比title中的标题更干净
            match = Regex.Match(html, h1Filter, RegexOptions.IgnoreCase);
            if (match.Success)
            {
                string h1 = Regex.Replace(match.Groups[0].Value, clearFilter, "");
                if (!String.IsNullOrEmpty(h1) && title.StartsWith(h1))
                {
                    title = h1;
                }
            }
            return title;
        }

        /// <summary>
        /// 获取文章发布日期
        /// </summary>
        /// <param name="html"></param>
        /// <returns></returns>
        private static DateTime GetPublishDate(string html)
        {
            // 过滤html标签,防止标签对日期提取产生影响
            string text = Regex.Replace(html, "(?is)<.*?>", "");
            Match match = Regex.Match(
                text,
                @"((\d{4}|\d{2})(\-|\/)\d{1,2}\3\d{1,2})(\s?\d{2}:\d{2})?|(\d{4}年\d{1,2}月\d{1,2}日)(\s?\d{2}:\d{2})?",
                RegexOptions.IgnoreCase);

            DateTime result = new DateTime(1900, 1, 1);
            if (match.Success)
            {
                try
                {
                    string dateStr = "";
                    for (int i = 0; i < match.Groups.Count; i++)
                    {
                        dateStr = match.Groups[i].Value;
                        if (!String.IsNullOrEmpty(dateStr))
                        {
                            break;
                        }
                    }
                    // 对中文日期的处理
                    if (dateStr.Contains("年"))
                    {
                        StringBuilder sb = new StringBuilder();
                        foreach (var ch in dateStr)
                        {
                            if (ch == '年' || ch == '月')
                            {
                                sb.Append("/");
                                continue;
                            }
                            if (ch == '日')
                            {
                                sb.Append(' ');
                                continue;
                            }
                            sb.Append(ch);
                        }
                        dateStr = sb.ToString();
                    }
                    result = Convert.ToDateTime(dateStr);
                }
                catch (Exception ex)
                {
                    Console.WriteLine(ex);
                }
                if (result.Year < 1900)
                {
                    result = new DateTime(1900, 1, 1);
                }
            }
            return result;
        }

        /// <summary>
        /// 从body标签文本中分析正文内容
        /// </summary>
        /// <param name="bodyText">只过滤了script和style标签的body文本内容</param>
        /// <param name="content">返回文本正文,不包含标签</param>
        /// <param name="contentWithTags">返回文本正文包含标签</param>
        private static void GetContent(string bodyText, out string content, out string contentWithTags)
        {
            string[] orgLines = null;   // 保存原始内容,按行存储
            string[] lines = null;      // 保存干净的文本内容,不包含标签

            orgLines = bodyText.Split('\n');
            lines = new string[orgLines.Length];
            // 去除每行的空白字符,剔除标签
            for (int i = 0; i < orgLines.Length; i++)
            {
                string lineInfo = orgLines[i];
                // 处理回车,使用[crlf]做为回车标记符,最后统一处理
                lineInfo = Regex.Replace(lineInfo, "(?is)</p>|<br.*?/>", "[crlf]");
                lines[i] = Regex.Replace(lineInfo, "(?is)<.*?>", "").Trim();
            }

            StringBuilder sb = new StringBuilder();
            StringBuilder orgSb = new StringBuilder();

            int preTextLen = 0;         // 记录上一次统计的字符数量
            int startPos = -1;          // 记录文章正文的起始位置
            for (int i = 0; i < lines.Length - _depth; i++)
            {
                int len = 0;
                for (int j = 0; j < _depth; j++)
                {
                    len += lines[i + j].Length;
                }

                if (startPos == -1)     // 还没有找到文章起始位置,需要判断起始位置
                {
                    if (preTextLen > _limitCount && len > 0)    // 如果上次查找的文本数量超过了限定字数,且当前行数字符数不为0,则认为是开始位置
                    {
                        // 查找文章起始位置, 如果向上查找,发现2行连续的空行则认为是头部
                        int emptyCount = 0;
                        for (int j = i - 1; j > 0; j--)
                        {
                            if (String.IsNullOrEmpty(lines[j]))
                            {
                                emptyCount++;
                            }
                            else
                            {
                                emptyCount = 0;
                            }
                            if (emptyCount == _headEmptyLines)
                            {
                                startPos = j + _headEmptyLines;
                                break;
                            }
                        }
                        // 如果没有定位到文章头,则以当前查找位置作为文章头
                        if (startPos == -1)
                        {
                            startPos = i;
                        }
                        // 填充发现的文章起始部分
                        for (int j = startPos; j <= i; j++)
                        {
                            sb.Append(lines[j]);
                            orgSb.Append(orgLines[j]);
                        }
                    }
                }
                else
                {
                    //if (len == 0 && preTextLen == 0)    // 当前长度为0,且上一个长度也为0,则认为已经结束
                    if (len <= _endLimitCharCount && preTextLen < _endLimitCharCount)    // 当前长度为0,且上一个长度也为0,则认为已经结束
                    {
                        if (!_appendMode)
                        {
                            break;
                        }
                        startPos = -1;
                    }
                    sb.Append(lines[i]);
                    orgSb.Append(orgLines[i]);
                }
                preTextLen = len;
            }

            string result = sb.ToString();
            // 处理回车符,更好的将文本格式化输出
            content = result.Replace("[crlf]", Environment.NewLine);
            content =  WebUtility.HtmlDecode(content);
            // 输出带标签文本
            contentWithTags = orgSb.ToString();
        }


        /// <summary>
        /// 基于baseUrl,补全html代码中的链接
        /// </summary>
        /// <param name="baseUrl"></param>
        /// <param name="html"></param>
        public static string FixUrl(string baseUrl, string html)
        {
            html = Regex.Replace(html, "(?is)(href|src)=(\"|\')([^(\"|\')]+)(\"|\')", (match) =>
            {
                string org = match.Value;
                string link = match.Groups[3].Value;
                if (link.StartsWith("http"))
                {
                    return org;
                }

                try
                {
                    Uri uri = new Uri(baseUrl);
                    Uri thisUri = new Uri(uri, link);
                    string fullUrl = String.Format("{0}=\"{1}\"", match.Groups[1].Value, thisUri.AbsoluteUri);
                    return fullUrl;
                }
                catch (Exception)
                {
                    return org;
                }
            });
            return html;
        }

    }

 

written by ocean

6月 19

.net中的session需要添加引用nuget包

Microsoft.AspNetCore.Session

Session 是基于 IDistributedCache 构建的,所以必须引用一种 IDistributedCache 的实现,ASP.NET Core 提供了多种 IDistributedCache 的实现,如内存、数据库、redis等。所以也需要引用对应的nuget包,一种就可以

Microsoft.Extensions.Caching.Memory
Microsoft.Extensions.Caching.Redis
Microsoft.Extensions.Caching.SqlServer

这里先用最简单的Memory举例

 

添加startup->ConfigureServices

services.AddSession();

添加startup->Configure

app.UseSession();

特别注意:UseSession要在UseMvc之前,否则会有问题

然后在Controller中就可以使用session了

保存session

var b = System.Text.Encoding.UTF8.GetBytes("这个是测试.来自 http://blog.wx6.org");
HttpContext.Session.Set("key", b);

获取session

HttpContext.Session.TryGetValue("key", out byte[] xxx);
var s = System.Text.Encoding.UTF8.GetString(xxx);

这里获取和设置都使用的byte[]类型。这是因为.net core下的session可以远程服务器保存,因此就必须支持序列化。好在微软在Microsoft.AspNet.Http命名空间下,为我们添加了几个扩展方法,分别用于设置和保存byte[]类型、int类型、以及string类型

需要引用nuget包

Microsoft.AspNet.Http.Extensions.dll

  

另外,类库中不能直接使用,需要注入才可以调到,定义方法体如下

public static void Set1(ISession session)
{
    session.SetString("kkk", "dddd");
}

调用方式,是在Controller中调用

Class1.Set1(HttpContext.Session);

 

 

 

写了两个帮助类

    public static class SessionHelper
    { 
        public static void Set(this ISession session, string key, object obj)
        { 
            session.Set(key, ByteHelper.Object2Bytes(obj));
        }
        public static T Get<T>(this ISession session, string key)
        {
            var b = new byte[] { };
            session.TryGetValue(key, out b);
            return ByteHelper.Bytes2Object<T>(b); 
        }
    }

用到的ByteHelper

    public class ByteHelper
    {
        /// <summary>
        /// 将对象转换为byte数组
        /// </summary>
        /// <param name="obj">被转换对象</param>
        /// <returns>转换后byte数组</returns>
        public static byte[] Object2Bytes(object obj)
        {
            string json = JsonConvert.SerializeObject(obj);
            byte[] serializedResult = System.Text.Encoding.UTF8.GetBytes(json);
            return serializedResult;
        }

        /// <summary>
        /// 将byte数组转换成对象
        /// </summary>
        /// <param name="buff">被转换byte数组</param>
        /// <returns>转换完成后的对象</returns>
        public static object Bytes2Object(byte[] buff)
        {
            string json = System.Text.Encoding.UTF8.GetString(buff);
            return JsonConvert.DeserializeObject<object>(json);
        } 

        /// <summary>
        /// 将byte数组转换成对象
        /// </summary>
        /// <param name="buff">被转换byte数组</param>
        /// <returns>转换完成后的对象</returns>
        public static T Bytes2Object<T>(byte[] buff)
        {
            string json = System.Text.Encoding.UTF8.GetString(buff);
            return JsonConvert.DeserializeObject<T>(json);
        }
    }

written by ocean \\ tags:

6月 17

我做东西喜欢从最简单开始。这样方便梳理每个细节。今天弄个.net core的站点试试。

开发工具vs2017,新建项目 .net core 下的 asp.net core web application 

.net framework 选择最高的4.6.1 创建一个空的站点

 

空网站已经引用了两个包

Microsoft.ApplicationInsights.AspNetCore
Microsoft.AspNetCore

删除Startup自带的代码文件只保留两个方法体 ConfigureServices和Configure

 

增加mvc框架支持

添加nuget包引用

Microsoft.AspNetCore.Mvc

添加startup->ConfigureServices

services.AddMvc();

添加startup->Configure

app.UseMvc(routes =>
{
    routes.MapRoute(name: "default", template: "{controller=Home}/{action=Index}");
});

 按照mvc规则给项目添加Controllers和Home文件夹,并且添加简单的action和view。运行即可看到结果。

 

使用Session

比较多,特地重写了一篇

asp.net core中使用session

written by ocean \\ tags: ,

6月 16

配合之前的自动生成DAL代码

做做简单后台还是很快的。

sb.AppendLine("            "+ClassName+"Info info = new "+ClassName+"Info();");
foreach (var item in list)
{
    sb.AppendLine("            info." + item.COLUMN_NAME + " = HttpContext.Request.Form[\"" + item.COLUMN_NAME + "\"];");
}
sb.AppendLine("            var result="+ClassName+"DAL.Insert(info);");
sb.AppendLine("            return Json(new { IsSuccess = result });");

   StringBuilder sb = new StringBuilder();




            var keysList = list.FindAll(a => a.COLUMN_KEY == "PRI");


            foreach (var item in keysList)
            {
                sb.AppendLine("            var " + FirstLetterLower( item.COLUMN_NAME) + " = HttpContext.Request.Form[\"" + item.COLUMN_NAME + "\"];");
            }



            for (int index = 0; index < keysList.Count; index++)
            {
                sb.AppendFormat("{0} {1}{2}", GetCsharpType(keysList[index].DATA_TYPE), keysList[index].COLUMN_NAME, index == keysList.Count - 1 ? "" : ",");
            }
            sb.Append(")\r\n");
            sb.Append("{\r\n");
            sb.Append("using (IDbConnection connection = new MySqlConnection(Config.ConnectionString))\r\n");
            sb.Append("{\r\n");
            sb.AppendFormat("var result = connection.Execute(@\"DELETE FROM `{0}` WHERE\r\n", TableName);
            for (int index = 0; index < keysList.Count; index++)
            {
                sb.AppendFormat("\t\t\t\t\t\t\t\t\t\t\t\t\t`{0}`=?{0}{1}\r\n", keysList[index].COLUMN_NAME, index == keysList.Count - 1 ? "" : ",");
            }
            sb.Append("\t\t\t\t\t\t\t\t\t\t\t\t\t\",new {");
            for (int index = 0; index < keysList.Count; index++)
            {
                sb.AppendFormat("{0}={0}{1}\r\n", keysList[index].COLUMN_NAME, index == keysList.Count - 1 ? "" : ",");
            }
            sb.Append("});\r\n");




            return sb.ToString();



             


        }

  

        private static string FirstLetterLower(string input)

        {

            return input.Substring(0,1).ToLower() + input.Substring(1);

        }

written by ocean

6月 15

appsettings.json

{
  "option1": "value1_from_json",
  "option2": 2,

  "subsection": {
    "suboption1": "subvalue1_from_json"
  },
  "wizards": [
    {
      "Name": "Gandalf",
      "Age": "1000"
    },
    {
      "Name": "Harry",
      "Age": "17"
    }
  ]
}

读取方式

            var builder = new ConfigurationBuilder()
                 .SetBasePath(Directory.GetCurrentDirectory())
                .AddJsonFile("appsettings.json");

            Configuration = builder.Build();

            Console.WriteLine($"option1 = {Configuration["option1"]}");
            Console.WriteLine($"option2 = {Configuration["option2"]}");
            Console.WriteLine(
                $"suboption1 = {Configuration["subsection:suboption1"]}");
            Console.WriteLine();

            Console.WriteLine("Wizards:");
            Console.Write($"{Configuration["wizards:0:Name"]}, ");
            Console.WriteLine($"age {Configuration["wizards:0:Age"]}");
            Console.Write($"{Configuration["wizards:1:Name"]}, ");
            Console.WriteLine($"age {Configuration["wizards:1:Age"]}");

需要Nuget引用

Microsoft.Extensions.Configuration
Microsoft.Extensions.Configuration.Binder
Microsoft.Extensions.Configuration.Json

written by ocean \\ tags: