Кто умеет парсить статьи? есть работа!

Приветствую, форумчане! Нужно спарсить очень много контента (статьи) на определенную тематику.

Суть вопроса такая:
1. Называю тематику
2. Статьи могут быть как с одного сайта, так и с разных (их нужно будет большое количество, для начала 100мб)
3. Статьи должны быть полноценными (с подзаголовками h2/h3 и т.д), но без h1. Длинна статей должна быть от 3к.
4. Все подзаголовки должны быть обрамлены в соответствующие теги <h2/3/4>, все абзацы <p>, перечисление <ul/li> и т.д
5. Каждая статья должна быть в отдельном txt файле.
6. По цене не определилась. Предлагайте ту сумму, за которую готовы взяться за работу. Цена должна быть эквивалентна 100мб, чтобы в будущем (если сработаемся) я делала заказы на определенное количество мб исходя из цены за 100.

Что не подходит:
1. Контент из книг (нужны только спаршенные с других сайтов статьи)
2. Дубли статей
3. Мусорный контент (наличие посторонних символов и постороннего html кода)
4. Контент должен быть строго тематическим!

Это основное. По нюансам определимся в ходе работы. Так же можно обсудить ваши варианты парсинга статей.

 

можно сайт в лс ?

 

А что там искать? Называю тему - формулируешь тематический запрос, если сайт узкотематический, то можно спарсить все статьи от туда , либо же все статьи из раздела. Я же не знаю каким парсером пользуетесь - CD, a-parser, x-parser или самопис. Может вы сумеете по ключам напарсить статей.

 

даже не представляю откуда по любой более менее узкой тематике можно статей спарсить на 100мб, еще на постоянной основе. Это же примерно 5000 статей по 10к объемом.

 

Я паршу CD, но эту тему создала, чтобы делегировать своё время, которое я трачу на парсинг, и за это я готова платить. Вот например x-parser умеет парсить статьи по ключам , он может и несколько гиг по одному запросу напарсить, не то что 100 метров, но проблема в том, что он вместе со статьями парсит много мусора, поэтому не подходит.

Тематика, которая мне нужна очень широкая.

 

А повторно прогнать через скрипт который очистит мусор?? Думаю для кодеров не составит труда, исполнить такой скриптик

 

Ну вот допустим я напарсила 10к статей и каждая в отдельном файле. Вот как в каждом из них убрать мусор. тем более, как скрипт поймет, что убирать, а что нет.

 

Ну к примеру если известны значения которые должны быть в статье и их нужно убрать, то в помощь str_replace или preg_replace. Файлы если находятся в папке , то можно думаю проверять папку и брать txt файлы поочерёдно, и далее сохранять их в новую папку. Во избежание дублей можно сделать проверку по названиям файлов. Ну говорю если объяснить кодеру чего нужно добиться, то вполне вероятно сделать такой скриптик.


p/S к примеру $title = "заголовок 1 5652"; $title = str_replace("5652","",str_replace); Уберёт данные цифры 5652.

$title = "Заголовок <br> 7898567</b>";
$title = preg_replace("#<b>.*?</b>#","",str_replace);
А здесь уберётся мусор между <b> и </b>

Короче возможность есть.

 

Это я понимаю. Просто дело в том, что парсер берет кроме статьи рандомный символьный контент, кроме мусора берет еще куски комментариев, какие-то подзаголовки, html код и т.д - мне кажется просто нереально создать какие-то определенные правила, потому что - что конкретно чистить я не знаю.

 

Я пользуюсь Content Downoader'ом, и все отлично получается, нахожу сайт, задаю границы и он сам парсит - но это все время. Поэтому и хочу, чтобы кто-то другой этим занимался за деньги.

 

Скиньте в лс, пример такого файле где есть мусор, гляну своим глазом и тогда точно скажу реально или нет.

 

Хорошо, позже скину в лс несколько статей для примера. Не дома сейчас.

 

ок

 

Яло под словом мусор что имеете в виду ? html, css, js код ? или что ?

 

Кстати данный человек LisER07 может толково это всё исполнить.

 

Нашла исполнителя (тест).

Написание скриптов не интересует (можно все делать и без них - я же как-то делаю с помощью CD)

Под мусором я понимаю:
- наличие стороннего html кода, не относящегося к статье;
- наличие посторонних символов;
- посторонний текст, который захватывает парсер со страницы (например - заголовки разделов из меня, текст из рекламных блоков, комментарии, и другой текст со страницы, не относящийся к статье).