python网页自动摘要和关键词提取

最近准备用django写一个CMS系统，把单位的网页迁移过去，在网上找了一个博客系统，但是不太满意，摘要和tags都需要自己输入，目标就是把他们实现自动化。

之前搞爬虫接触过类似的库，readability,goose等都可以实现文本摘要，jieba具有提取tags的功能。

goose主要作用是根据网址提取文本和标题。主要用的库有urllib2，beautifulsoup；有些网页用goose提取不到正文，只能获得标题，因此用在内容也上比较好，目录页、主页效果不太好。

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其实不怎么满足需求，简单点的还有html2text，或者用htmlparse，甚至简单粗暴的正则表达式。

# -*- 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()
           

提取关键词用jieba比较简单，默认提供TF/IDF权重最高的20个词。

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