网页discuz代码

通用论坛正文提取算法一、背景介绍在当今的大数据时代里,伴随着互联网和移动互联网的高速发展,人们产生的数据总量呈现急剧增长的趋势,当前大约每六个月互联网中产生的数据总量就会翻一番.
互联网产生的海量数据中蕴含着大量的信息,已成为政府和企业的一个重要数据来源,互联网数据处理也已成为一个有重大需求的热门行业.
借助网络爬虫技术,我们能够快速从互联网中获取海量的公开网页数据,对这些数据进行分析和挖掘,从中提取出有价值的信息,能帮助并指导我们进行商业决策、舆论分析、社会调查、政策制定等工作.
但是,大部分网页数据是以半结构化的数据格式呈现的,我们需要的信息在页面上往往淹没在大量的广告、图标、链接等"噪音"元素中.
如何从网页中有效提取所需要的信息,一直是互联网数据处理行业关注的重点问题之一.
网页通常采用超级文本标记语言(英文缩写:HTML)来编写,页面上的不同元素如作者、主题、发布日期等出现在一对特定的标记符之间.
例如当我们看到如下一个论坛网页:图1我们可以通过查看这个网页的源代码,查看到与之对应的信息(1)标题信息:图2(2)题主信息:图3(3)题主发帖内容图4(4)回帖信息图5图中的网页源代码就是超级文本标记语言(HTML),关于超级文本标记语言百度百科中是这样描述的:超级文本标记语言是标准通用标记语言下的一个应用,也是一种规范,一种标准,它通过标记符号来标记要显示的网页中的各个部分.
网页文件本身是一种文本文件,通过在文本文件中添加标记符,可以告诉浏览器如何显示其中的内容(如:文字如何处理,画面如何安排,图片如何显示等).
维基百科中对HTML语言的标记、元素、属性、数据类型等也有详细的描述和样例说明.
对于给定的一个具体网页,通常的做法是,人工分析这个网页的源代码,找到特定内容对应的标签,然后通过关键字匹配(例如标签匹配)的方法就可以从网页源代码中获取到我们所关心的数据,如下表所示:表1HTML标签与内容的对应标题:题主:发帖内容:回帖信息:但是,不同网站甚至网页所使用的网页格式、网页结构和标签体系都可能是不一样的,对于从互联网中获取的海量网页的批量处理,如果还利用传统的方法去对每个有差异的网页逐一做人工分析,是不可行的.
如何从这些存在差异的网页中快速有效的提取所需信息,就成为互联网数据处理中一个急需解决的问题.
在传统的网页结构化数据提取智能分析实践中,已经有很多开源的智能提取算法来分析新闻、文章类数据,但是这些方法只适用于提取有大段文本的页面结构数据信息,如:网页的作者(author)、标题(title)、正文内容(content)、发布时间(publish_date).
对于BBS论坛类的网页,由于文本在网页上相对分散,提取的字段更多,传统的算法不再适用,需要重新设计通用提取算法,针对主题帖(post)和回帖(reply)进行有效地分析提取.
本赛题是针对当前互联网数据处理行业的这一实际需求而提出,旨在研究如何高效、智能地从海量论坛网页中自动地进行内容抽取,提炼出其中的有价值信息.
请实现以下目标对于任意BBS类型的网页,获取其HTML文本内容,设计一个智能提取该页面的主贴、所有回帖的算法.
如下面的网页截图所示,提取主贴和回帖的区域,提取出相应数据字段(只需要提取文本,图片、视频、音乐等媒体可以直接忽略),并按规定的数据格式(Json格式)存储.
图6重要说明:1.
Json数据字段说明:post:主题帖author:用户名title:标题content:帖子内容publish_date:帖子的发布日期,格式:yyyy-MM-ddreplys:该页的回帖列表每条回帖的主要字段同post,若回帖无title字段,可为空2.
算法要求:算法必须具有通用性,必须支持互联网的任意类型BBS网站,不得只针对所给的样例网站、或特定类型的开源论坛(例如discuz、phpwind)数据样例1.
样例输入数据格式:(每行一条论坛的内容页的url)http://bbs.
tianya.
cn/post-stocks-1841155-1.
shtml(包含主贴的url)http://bbs.
tianya.
cn/post-stocks-1841155-3.
shtml(不包含主贴的url)2.
样例输出数据格式(必须按如下格式提交结果):每行数据有{原始url}\t{提取结果的json字符串},表示某一个html页面(url)提取出来的数据,示例数据格式:http://x.
heshuicun.
com/forum.
phpmod=viewthread&tid=80{"post":{"content":"本帖最后由临风有点冷于2012-7-2708:26编辑从这条新闻中你得到了什么教训在网上看个新闻,大概内容是:老公买了一只藏獒幼仔,没时间养,一直是老婆在养;一次老公老婆吵架,老公把老婆打了,结果藏獒冲出来果断把老公手咬断了!
看完新闻我问老公:"从这条新闻中你得到了什么教训"本想听他说不能打老婆,没想到这货居然说:"游客,如果您要查看本帖隐藏内容请回复"","title":"从这条新闻中你得到了什么教训","publish_date":"20120727"},"replys":[{"content":"的分数高如果认购二哥让他退给我","title":"从这条新闻中你得到了什么教训","publish_date":"20160904"},{"content":"1231231231321321","title":"从这条新闻中你得到了什么教训","publish_date":"20161115"},{"content":"","title":"从这条新闻中你得到了什么教训","publish_date":"20161208"}]}1.
bbs_urls.
txt2.
result_sample.
txt