这是一个创建于 1366 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 年 7 月 28 日 via iPhone 这是不是就是 html 解析？ bs xpath 都是做这个吧。 |
 | 2 chendy 2022 年 7 月 28 日 试试 webdriver ？ |
 | 3 cansiny0320 2022 年 7 月 28 日 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 年 7 月 28 日 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 年 7 月 28 日 |
 | 8 learningman 2022 年 7 月 29 日 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