Question

我正在尝试从任意html页面中提取文本。有些页面（我无法控制）有错误的html或脚本，这使得这很困难。此外，我在一个共享的托管环境，所以我可以安装任何python库，但我不能只在服务器上安装我想要的东西。

pyparsing和html2text.py似乎也不适用于格式错误的html页面。

示例网址为http://apnews.myway.com/article/20091015/D9BB7CGG1.html

我目前的实施大致如下：

# Try using BeautifulSoup 3.0.7a
soup = BeautifulSoup.BeautifulSoup(s) 
comments = soup.findAll(text=lambda text:isinstance(text,Comment))
[comment.extract() for comment in comments]
c=soup.findAll('script')
for i in c:
    i.extract()    
body = bsoup.body(text=True)
text = ''.join(body) 
# if BeautifulSoup  can't handle it, 
# alter html by trying to find 1st instance of  "<body" and replace everything prior to that, with "<html><head></head>"
# try beautifulsoup again with new html

如果beautifulsoup仍然不起作用，那么我采用一种启发式方法来查看第一个字符，最后一个字符（看看它们是否看起来像是一个代码行＃＆lt ;;并且取一行样本然后检查令牌是英文单词还是数字。如果令牌中只有很少的单词或数字，那么我猜这行是代码。

我可以使用机器学习来检查每一行，但这看起来有点贵，我可能需要训练它（因为我对无监督学习机器知之甚少），当然也可以写它。

任何建议，工具和策略都会受到欢迎。此外，我意识到后一部分相当混乱，因为如果我得到一行确定包含代码，我现在扔掉整行，即使行中有少量实际的英文文本。

Answer 1

尽量不要笑，但是：

class TextFormatter:
    def __init__(self,lynx='/usr/bin/lynx'):
        self.lynx = lynx

    def html2text(self, unicode_html_source):
        "Expects unicode; returns unicode"
        return Popen([self.lynx, 
                      '-assume-charset=UTF-8', 
                      '-display-charset=UTF-8', 
                      '-dump', 
                      '-stdin'], 
                      stdin=PIPE, 
                      stdout=PIPE).communicate(input=unicode_html_source.encode('utf-8'))[0].decode('utf-8')

我希望你有lynx！

Answer 2

嗯，这取决于解决方案有多好。我遇到了类似的问题，将数百个旧的html页面导入新网站。我基本上做了

# remove all that crap around the body and let BS fix the tags
newhtml = "<html><body>%s</body></html>" % (
    u''.join( unicode( tag ) for tag in BeautifulSoup( oldhtml ).body.contents ))
# use html2text to turn it into text
text = html2text( newhtml )

它已经解决了，但当然文件可能非常糟糕，甚至BS都无法挽救太多。

Answer 3

BeautifulSoup会对格式错误的HTML造成不良影响。一些正则表达式怎么样？

>>> import re
>>> 
>>> html = """<p>This is paragraph with a bunch of lines
... from a news story.</p>"""
>>> 
>>> pattern = re.compile('(?<=p>).+(?=</p)', re.DOTALL)
>>> pattern.search(html).group()
'This is paragraph with a bunch of lines\nfrom a news story.'

然后，您可以汇编要从中提取信息的有效标记列表。

用于从格式错误的html页面中提取文本的Python策略

3 个答案: