Instapaper的网页内容文本自动抓取技术是什么原理，我看着好神奇。我试了好多网页，对于网页中对文本内容识别的都是惊人的准确。我问身边专门做数据采集的同事都不知道如何实现。

http://42qu.com/zuroc/note/10/txt/421
看这里

各种Readability实现都是获取页面容器包含内容长度最大的部分。

其实是 Marco 手动复制粘贴的。

其实是 Marco 高薪吸引全球点击工跳槽。

@disinfeqt @xinzhi
谢谢两位，了解了不少知识。
@disinfeqt @lianghai
Marco是啥东东

@iiduce Marco Arment 是 Instapaper 的开发者。

贴点硬头货
/*
* Readability. An Arc90 Lab Experiment.
* Website: http://lab.arc90.com/experiments/readability
* Source: http://code.google.com/p/arc90labs-readability
*
* "Readability" is a trademark of Arc90 Inc and may not be used without explicit permission.
*
* Copyright (c) 2010 Arc90 Inc
* Readability is licensed under the Apache License, Version 2.0.
*
* This version has been modified by Instapaper, LLC.
* Uncompressed source of the modified version is available at:
* http://www.instapaper.com/javascript/ipreadability-1.7.1.js
**/

// DEFLATE, base64 by Dan Kogai http://github.com/dankogai/

还是有点意思的。

http://www.keyvan.net/2010/08/php-readability/
这里有Readability PHP移植 并公布了源代码


Keyvan是 http://fivefilters.org/ 的作者

Mark 一下，马上就要用到这个。。。

哇，居然有开源代码，不错。
不知道跟神经网络的联系在哪里，回头看下源码。
感谢各位的分享。

Instapaper对于豆瓣条目的评论识别正文经常出错~

也有可能是通过正则来取得正文的，请看这个项目，http://github.com/plukevdh/readability

根据我的使用经验，Readability比Instapaper Text的准确率高一些。后者可能是一种秘而不宣的技术。。

以前还以为是通过RSS识别的。

一直用read it later http://readitlaterlist.com/ 浏览器插件抓取，android上通过app阅读。
感觉Instapaper在V2EX受众更多一些？

在我记忆中，readitlaterlist不能抓取的页面包括豆瓣日记和新浪博客的文章

@xohen 我之前也一直用的readitlater，instapaper出来之后我发现它能导出到epub，这对eink用户来说是福音，就换到instapaper了

https://github.com/hatena/extract-content-javascript
效果还不错...

抱歉之前写的那个是错的项目，这个才是我说的通过正则查询正文的东东，

https://github.com/scyclops/Readable-Feeds/blob/master/readability/hn.py