这是一个创建于 850 天前的主题，其中的信息可能已经有所发展或是发生改变。
背景
目前正在做一些对网页进行分类、关键信息提取之类的机器学习模型。我们之前的做法是对网页进行自动截图，然后用 ocr 的方式提取每一个文本框的内容，以及在图中的相对位置，然后交给下游模型。但这样做就经历了 html 文字->图片 ->ocr 文字的过程，有点脱裤子放屁，而且还有很多信息损失.
问题
是否有一个工具或者类库，能以 html 为输入，输出 render tree 上面所有需要 render 的的文本内容 /图片，以及它们在整个 html 中的相对位置，比如 {"text": "Text 1", "x_pos": 30%, "y_pos":50%}这样的？
尝试调研了一下 rendertron/Puppeteer ，但我主要写 python 的，看不大懂它的 api,以及如果要达到我想要的效果应该怎么用，各位大佬有什么建议吗？
 |
1
SenLief 2022-07-28 18:25:17 +08:00 via iPhone
这是不是就是 html 解析？ bs xpath 都是做这个吧。
|
 |
2
chendy 2022-07-28 18:28:06 +08:00
试试 webdriver ？
|
 |
3
cansiny0320 2022-07-28 18:42:42 +08:00
建议还是使用 Puppeteer ，你需要输出元素相对位置的话肯定需要浏览器分析 css 渲染 dom 的
|
 |
4
ch2 2022-07-28 18:58:19 +08:00
Puppeteer 已经是最优解了
|
 |
5
s82kd92l OP |
|
6
s82kd92l OP https://github.com/litehtml/litehtml 这个库怎么样呢？
|
 |
7
amlee 2022-07-28 22:29:19 +08:00
|
 |
8
learningman 2022-07-29 15:38:43 +08:00
你直接无头浏览器渲染，然后传个 js 进去读 position 不就完事了
|
Select Language