zoukankan      html  css  js  c++  java
  • html正文提取工具goose的安装及简单使用Demo

    1.git clone https://github.com/grangier/python-goose.git

    2.cd python-goose

    3.sudo pip install -r requirements.txt
    此时会报一个安装nltk的错误,执行下面命令单独安装:

    sudo apt-get install python-nltk 

    4.sudo python setup.py install

    至此安装完毕!!!!!!!

    ---------------------------------------------------------

    下面付简单的使用demo:

    def goose_extraction(response):
        try:

    import traceback

            import chardet
            from goose import Goose
            from goose.text import StopWordsChinese
            charset = chardet.detect(response.content)
            coding = charset.get('encoding').lower()  # 网页编码类别:gbk,gb2312,utf-8等
            if coding and coding.startswith(u'gb'):
                codeHtml = response.content.decode("GB18030").encode('utf-8')
            elif coding.startswith(u'utf'):
                codeHtml = response.content
            else:
                codeHtml = response.content.decode(coding, 'ignore')
            g = Goose({'stopwords_class': StopWordsChinese})  # 中文
            article = g.extract(raw_html=codeHtml)
            content = article.cleaned_text
            html = '<div>' + ''.join(['<p>'+con+'</p> ' for con in content.split(' ')]) + '</div>'
            return content, html
        except Exception as e:
            traceback.print_exc(e)
  • 相关阅读:
    十二月第二周学习进度条
    《UML大战需求分析》阅读笔记4
    十二月第一周学习进度条
    十一月第四周学习进度条
    十一月第三周学习进度条
    十一月第二周学习进度条
    制作验证码(转)
    阅读笔记04
    课堂作业-购书问题
    阅读笔记03
  • 原文地址:https://www.cnblogs.com/fanjp666888/p/11278155.html
Copyright © 2011-2022 走看看