这是一个创建于 3361 天前的主题，其中的信息可能已经有所发展或是发生改变。
比如我想下载某个网页
http://www.economist.com/news/china/21645839-prime-minister-seeks-lower-expectations-economy-go-slow
下载后，只留下正文部分。
存储为PDF文档。
如何编程让这个过程自动化？
 |
1
liuhaotian 2015-03-09 10:14:03 +08:00
curl 获取网页，正则匹配包含正文id的容器，生成pdf。
生成pdf可以直接用轮子。 |
|
2
liuhaotian 2015-03-09 10:15:20 +08:00
|
|
3
liuhaotian 2015-03-09 10:16:54 +08:00
@Livid
这个在做链接自动匹配的时候是刻意把两个相邻链接的\n转成空格的还是匹配的时候替换有问题？ |
 |
4
Chigogo OP @liuhaotian JS 可行吗？一定要学习Python吗？
|
|
5
Chigogo OP @liuhaotian 看到了，用PHP，OK
|
 |
6
Draplater 2015-03-09 11:10:32 +08:00
要提取"正文部分"已经涉及到数据挖掘了。这个可以用readability完成。正文匹配并不容易，可能不台精确。
readability有python port，例如： https://pypi.python.org/pypi/readability-lxml 接下来把文字转换成pdf就是很简单的事情了，参考： http://www.interfaceware.com/manual/python_text_to_pdf.html |
|
7
Chigogo OP @Draplater 可以一步到位吗？下载某个特定的网站的正文，正文问题很好解决的。但是下载，存储PDF 这两部可以一步到位吗？
|
 |
8
manhere 2015-03-10 02:22:07 +08:00 via iPhone
casperjs搞定一切
|
Select Language