本文實例講述了Python實現提取文章摘要的方法。分享給大家供大家參考。具體如下：
一、概述
在博客系統的文章列表中，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本格式的，但在網絡盛行的當今，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 的內容，可以按照指定的 字數 來提取。
二、純文本摘要
純文本文檔 就是一個長字符串，很容易實現對它的摘要提?。?/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()
三、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部的原生文本。以下就是類似該功能的Python實現：
#!/usr/bin/env python# -*- coding: utf-8 -*-"""Get a raw summary of the HTML-format document"""from HTMLParser import HTMLParserclass 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()HTMLParser（或者 BeautifulSoup 等等）更適合完成復雜的HTML摘要提取功能，對于上述簡單的HTML摘要提取功能，其實有更簡潔的實現方案（相比 SummaryHTMLParser 而言）：
#!/usr/bin/env python# -*- coding: utf-8 -*-"""Get a raw summary of the HTML-format document"""import redef get_summary(text, count, suffix=u'', wrapper=u'p'): """A simpler implementation (vs `SummaryHTMLParser`). >>> text = u'<p>Hi guys:</p><p>This is a example using SummaryHTMLParser.</p>' >>> get_summary(text, 10, u'...') u'<p>Higuys:Thi...</p>' """ assert(isinstance(text, unicode)) summary = re.sub(r'<.*?>', u'', text) # key difference: use regex summary = u''.join(summary.split())[0:count] return u'<{0}>{1}{2}</{0}>'.format(wrapper, summary, suffix)if __name__ == '__main__': import doctest doctest.testmod()希望本文所述對大家的Python程序設計有所幫助。
新聞熱點
疑難解答
圖片精選
