Incorrect Content Extraction – Mercury Parser

[agmm]

Mercury Parser está teniendo dificultad al extraer el contenido de algunos artículos. En vez de extraer el contenido principal termina extrayendo otras partes de la página que no son relevantes.

[rnegron]

Lo noté también con algunos artículos recientemente. ¿Hay algo que podríamos hacer mejor respecto al content extraction de Mercury?

[agmm]

Creo que lo mejor sería añadiendo custom extractors para cada site.

Like this:

const customExtractor = {
  domain: 'www.noticias.pr',
  title: {
    selectors: ['h1', '.ArticlePage-headline']
  },
  author: {
    selectors: ['.ArticlePage-authorInfo-bio-name']
  },
  content: {
    selectors: ['article']
  }
};

Mercury.addExtractor(customExtractor);