一、概述
在部落格系統的文章列表中,為了更有效地呈現文章內容,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。
一篇文章的內容可以是純文字格式的,但在網路盛行的當今,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 的內容,可以按照指定的 字數 來提取。
二、純文字摘要
純文字文件 就是一個長字串,很容易實現對它的摘要提取:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
#!/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 這是一篇關於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() |
三、HTML摘要
HTML文件 中包含大量標記符(如<h1>、<p>、<a>等等),這些字元都是標記指令,並且通常是成對出現的,簡單的文字擷取會破壞HTML的文件結構,進而導致摘要在瀏覽器中顯示不當。
在遵循HTML文件結構的同時,又要對內容進行擷取,就需要解析HTML文件。在Python中,可以藉助標準庫 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部的原生文字。如果您不明白我說的意思,可以看看 部落格園 的摘要功能,以下就是類似該功能的Python實現:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 |
#!/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'Hi guys:This is a example using SummaryHTMLParser.' >>> parser = SummaryHTMLParser(10) >>> parser.feed(text) >>> parser.get_summary(u'...') u'Higuys:Thi...' """ 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'{1}{2}{0}>'.format(wrapper, self.summary, suffix) if __name__ == '__main__': import doctest doctest.testmod() |
========== 更新 ==========
HTMLParser(或者 BeautifulSoup 等等)更適合完成複雜的HTML摘要提取功能,對於上述簡單的HTML摘要提取功能,其實有更簡潔的實現方案(相比 SummaryHTMLParser
而言):
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
#!/usr/bin/env python # -*- coding: utf-8 -*- """Get a raw summary of the HTML-format document""" import re def get_summary(text, count, suffix=u'', wrapper=u'p'): """A simpler implementation (vs `SummaryHTMLParser`). >>> text = u'Hi guys:This is a example using SummaryHTMLParser.' >>> get_summary(text, 10, u'...') u'Higuys:Thi...' """ assert(isinstance(text, unicode)) summary = re.sub(r'', u'', text) # key difference: use regex summary = u''.join(summary.split())[0:count] return u'{1}{2}{0}>'.format(wrapper, summary, suffix) if __name__ == '__main__': import doctest doctest.testmod() |