浅谈网页阅读模式的内容提取
因为利益和技术的不同，互联网上充斥着大量的带极具不友好的网页内容，对于一个阅读内容的人来说，很多东西都是不需要的，如：页头，菜单，导航，甚至是评论，还有那万恶的广告。加上布局，字体，字体大小/颜色，背景颜色等，诸多因素都会让你的阅读体验大打折扣。所以，一个良好的阅读模式就非常的有必要了。那么，如何提取，或者说识别不同网页里的内容主体呢？这就是本文想要浅谈的内容。
1. Safari Reader
Safari很早(多早就不知道了)就有了阅读模式，为移动端提供阅读支持。Github上有它的处理JS代码(听说是从Safari里取出来的)，2010年的代码。
1.1 简单原理
Safari Reader会根据页面高宽在页面上计算出9个点，如下图：
之后根据点的坐标，使用document.elementFromPoint()来获取dom对象，然后往上遍历父节点，根据节点类型及样式值给节点打分(有一个计分方式)，寻找样式相同且数量最多的节点，认为其就是内容主体。
其实这样的判断方式是没啥问题的，但仍然有相当一部分的页面内容是无法识别的，为什么无法识别这个就不太好讲。虽然代码提供有Source版本，但其实只是将压缩后的代码格式化了一下，一些核心的代码仍然很难看明白。
2. Fika
Fika是一款提供阅读模式的Chrome Extension，它开始也就是使用Safari Reader JS，但发现识别率太低后，换成了自己的实现。
2.1 简单原理
Fika认为，内容主体多数会聚焦大量的H,p,pre,code,figure等Element，所以以此为基准，获取网页dom里的所有对应Element，然后往上遍历父节点。但它只会往上找2-3层，并给这2-3层打分，离得越远，分数越低，如果属性里包含content/article等字样的额外加分。分数最高的，它认为是内容主体。这样子确实可以找到更多的内容主体，而且在目前更加规范的页面结构下，准确率相当不错。
2.2 问题
如上所说，目前Fika只会根据指定的Element去获取内容，所以，如果哪个网页的内容主体全是DIV元素，那它就失效了。而且，虽然找到了主体，但主体内部的元素仍然有不少是无用的，比如：分享，广告，表单等。虽然Fika做了一些排除，但在这一部分仍然会有很大的机率失效，虽然影响没有Safari Reader JS这样的找不到大，但总是不够完美。
2.3 改良
首先，去掉指定元素，遍历dom树时，判断标准改为元素内的#text,img,h,pre,code,figure等，如果找到就给父节点打分，那么聚焦内容越多的地方，自然就是内容主体部分。那如何去掉问题里的元素呢？
- 如果有表单元素将其父节点减分，当回到父节点时，发现分值为负或占比很低，直接将这个节点移除，再给其父节点打分。
- 如果有广告/分享，需尽量找出可能的关键字加以判断。图片在div里的分数就比在figure里低很多，层级越深，分数越低。
这样子处理后，相比之前肯定会有一个大的提升。但想要完美，并不现实。Fika想做的是，你任一打开一个网站，点开Fika，就可以得到一个相对理想的阅读体验。
结尾
在千页千面的互联网上，对于内容主体的判断还是过于理想，如果所有网站都按HTML定义的标准构建页面，那效果会很好，但标准总不会有人执行，而且还有很多网页在没有标准的时候就已经在网上了，所以，最终对内容属性的修正也是一个必要的过程，但100%估计是永远无法达到的上限。
Fika -Reader Mode
文章被以下专栏收录
