Python實現提取文章摘要的方法

本文執行個體講述了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

純文字文檔 就是一個長字串，很容易實現對它的摘要提取：

#!/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文檔 中包含大量標記符（如

、

、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'
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'<{0}>{1}{2}'.format(wrapper, self.summary, suffix)if __name__ == '__main__':  import doctest  doctest.testmod()

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）：

#!/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'
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'<{0}>{1}{2}'.format(wrapper, summary, suffix)if __name__ == '__main__':  import doctest  doctest.testmod()

希望本文所述對大家的Python程式設計有所協助。

