python網頁自動摘要和關鍵詞提取

最近準備用django寫一個CMS系統，把機關的網頁遷移過去，在網上找了一個部落格系統，但是不太滿意，摘要和tags都需要自己輸入，目标就是把他們實作自動化。

之前搞爬蟲接觸過類似的庫，readability,goose等都可以實作文本摘要，jieba具有提取tags的功能。

goose主要作用是根據網址提取文本和标題。主要用的庫有urllib2，beautifulsoup；有些網頁用goose提取不到正文，隻能獲得标題，是以用在内容也上比較好，目錄頁、首頁效果不太好。

用法如下：

from goose import Goose
from goose.text import StopWordsChinese
g = Goose({'browser_user_agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0) ','stopwords_class': StopWordsChinese})
article = g.extract(url=url)
url = 'http://blog.csdn.net/u011617072/article/details/12624855'
print article.titleprint article.cleaned_text[:]
           

goose其實不怎麼滿足需求，簡單點的還有html2text，或者用htmlparse，甚至簡單粗暴的正規表達式。

# -*- coding: utf-8 -*-
from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()
           

提取關鍵詞用jieba比較簡單，預設提供TF/IDF權重最高的20個詞。

import jieba
import jieba.analyse
def extract_tags(content,topk):
    content = content.strip()
    tags=jieba.analyse.extract_tags(content, topK=topk)
    return ','.join(tags)