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？
This topic created in 4177 days ago, the information mentioned may be changed or developed.
 |
1
liuhaotian Mar 9, 2015
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 Mar 9, 2015
|
|
3
liuhaotian Mar 9, 2015
@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 Mar 9, 2015
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 |
 |
8
manhere Mar 10, 2015 via iPhone
casperjs搞定一切
|
Select Language