最新文章專題視頻專題問答1問答10問答100問答1000問答2000關鍵字專題1關鍵字專題50關鍵字專題500關鍵字專題1500TAG最新視頻文章視頻文章20視頻文章30視頻文章40視頻文章50視頻文章60 視頻文章70視頻文章80視頻文章90視頻文章100視頻文章120視頻文章140 視頻2關鍵字專題關鍵字專題tag2tag3文章專題文章專題2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章專題3
當前位置: 首頁 - 科技 - 知識百科 - 正文

【PYTHON教程】提取文章摘要

來源:懂視網(wǎng) 責編:小采 時間:2020-11-27 14:26:51
文檔

【PYTHON教程】提取文章摘要

【PYTHON教程】提取文章摘要:在博客系統(tǒng)的文章列表中,為了更有效地呈現(xiàn)文章內(nèi)容,從而讓讀者更有針對性地選擇閱讀,通常會同時提供文章的標題和摘要。一篇文章的內(nèi)容可以是純文本格式的,但在網(wǎng)絡盛行的當今,更多是HTML格式的。無論是哪種格式,摘要一般都是文章開頭部分的內(nèi)容,可以按
推薦度:
導讀【PYTHON教程】提取文章摘要:在博客系統(tǒng)的文章列表中,為了更有效地呈現(xiàn)文章內(nèi)容,從而讓讀者更有針對性地選擇閱讀,通常會同時提供文章的標題和摘要。一篇文章的內(nèi)容可以是純文本格式的,但在網(wǎng)絡盛行的當今,更多是HTML格式的。無論是哪種格式,摘要一般都是文章開頭部分的內(nèi)容,可以按

在博客系統(tǒng)的文章列表中,為了更有效地呈現(xiàn)文章內(nèi)容,從而讓讀者更有針對性地選擇閱讀,通常會同時提供文章的標題和摘要。

一篇文章的內(nèi)容可以是純文本格式的,但在網(wǎng)絡盛行的當今,更多是HTML格式的。無論是哪種格式,摘要一般都是文章開頭部分的內(nèi)容,可以按照指定的字數(shù)來提取。

純文本摘要

首先我們對純文本摘要進行提取,純文本文檔就是一個長字符串,很容易實現(xiàn)對它的摘要提?。?/p>

#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""Get a summary of the TEXT-format document"""

def get_summary(text, count):
u"""Get the first `count` characters from `text`

>>> text = u'Welcome 這是一篇關于Python的文章'
>>> get_summary(text, 12) == u'Welcome 這是一篇'
True
"""
assert(isinstance(text, unicode))
return text[0:count]

if __name__ == '__main__':
import doctest
doctest.testmod()

HTML摘要

HTML文檔中包含大量標記符(如<h1>、<p>、<a>等等),這些字符都是標記指令,并且通常是成對出現(xiàn)的,簡單的文本截取會破壞HTML的文檔結構,進而導致摘要在瀏覽器中顯示不當。

在遵循HTML文檔結構的同時,又要對內(nèi)容進行截取,就需要解析HTML文檔。在Python中,可以借助標準庫HTMLParser來完成。

一個最簡單的摘要提取功能,是忽略HTML標記符而只提取標記內(nèi)部的原生文本。以下就是類似該功能的Python實現(xiàn):

#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""Get a raw summary of the HTML-format document"""

from HTMLParser import HTMLParser

class SummaryHTMLParser(HTMLParser):
"""Parse HTML text to get a summary

>>> text = u'<p>Hi guys:</p><p>This is a example using SummaryHTMLParser.</p>'
>>> parser = SummaryHTMLParser(10)
>>> parser.feed(text)
>>> parser.get_summary(u'...')
u'<p>Higuys:Thi...</p>'
"""
def __init__(self, count):
HTMLParser.__init__(self)
self.count = count
self.summary = u''

def feed(self, data):
"""Only accept unicode `data`"""
assert(isinstance(data, unicode))
HTMLParser.feed(self, data)

def handle_data(self, data):
more = self.count - len(self.summary)
if more > 0:
# Remove possible whitespaces in `data`
data_without_whitespace = u''.join(data.split())

self.summary += data_without_whitespace[0:more]

def get_summary(self, suffix=u'', wrapper=u'p'):
return u'<{0}>{1}{2}</{0}>'.format(wrapper, self.summary, suffix)

if __name__ == '__main__':
import doctest
doctest.testmod()

聲明:本網(wǎng)頁內(nèi)容旨在傳播知識,若有侵權等問題請及時與本網(wǎng)聯(lián)系,我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com

文檔

【PYTHON教程】提取文章摘要

【PYTHON教程】提取文章摘要:在博客系統(tǒng)的文章列表中,為了更有效地呈現(xiàn)文章內(nèi)容,從而讓讀者更有針對性地選擇閱讀,通常會同時提供文章的標題和摘要。一篇文章的內(nèi)容可以是純文本格式的,但在網(wǎng)絡盛行的當今,更多是HTML格式的。無論是哪種格式,摘要一般都是文章開頭部分的內(nèi)容,可以按
推薦度:
標簽: 教程 提取 摘要
  • 熱門焦點

最新推薦

猜你喜歡

熱門推薦

專題
Top