Question

我正在python中构建一个搜索引擎。

我听说谷歌从ODP（Open Directory Project）中获取网页描述，以防Google无法使用页面中的元数据找出描述...我想做类似的事情。

ODP是Mozilla的在线目录，其中包含网页上的页面描述，因此我想从ODP中获取搜索结果的描述。如何从ODP获取特定URL的准确描述，如果找不到，则返回python类型“None”（这意味着ODP不知道我在寻找哪个页面）？

PS。有一个名为http://dmoz.org/search?q=Your+Search+Params的网址，但我不知道如何从那里提取信息。

Answer 1

要使用ODP数据，您需要download the RDF data dump。 RDF是一种XML格式;您将该转储编入索引以将URL映射到描述;我会使用SQL数据库。

请注意，URL可以存在于转储中的多个位置。例如，Stack Overflow列出两次。 Google使用this entry中的文字作为网站描述，Bing使用this one instead。

数据转储当然相当大。在向数据库添加条目时，使用诸如ElementTree iterparse() method之类的敏感工具迭代地解析数据集。您实际上只需要查找<ExternalPage>个元素，并将<d:Title>和<d:Description>条目放在下面。

使用lxml（更快更完整的ElementTree实现）看起来像：

from lxml import etree as ET
import gzip
import sqlite3

conn = sqlite3.connect('/path/to/database')

# create table
with conn:
    cursor = conn.cursor()
    cursor.execute('''
        CREATE TABLE IF NOT EXISTS odp_urls 
        (url text primary key, title text, description text)''')

count = 0
nsmap = {'d': 'http://purl.org/dc/elements/1.0/'}
with gzip.open('content.rdf.u8.gz', 'rb') as content, conn:
    cursor = conn.cursor()
    for event, element in ET.iterparse(content, tag='{http://dmoz.org/rdf/}ExternalPage'):
        url = element.attrib['about']
        title = element.xpath('d:Title/text()', namespaces=nsmap)
        description = element.xpath('d:Description/text()', namespaces=nsmap)
        title, description = title and title[0] or '', description and description[0] or ''

        # no longer need this, remove from memory again, as well as any preceding siblings
        elem.clear()
        while elem.getprevious() is not None:
            del elem.getparent()[0]

        cursor.execute('INSERT OR REPLACE INTO odp_urls VALUES (?, ?, ?)',
            (url, title, description))
        count += 1
        if count % 1000 == 0:
            print 'Processed {} items'.format(count)

如何准确地从ODP中提取信息？

1 个答案: