Python實踐:提取文章摘要

發表於2015-12-27

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:

三、HTML摘要

HTML文件 中包含大量標記符(如&lth1&gt、&ltp&gt、&lta&gt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:

========== 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):

相關文章