Python에서 웹 페이지에서만 글 가져오기

3360 단어 ReadabilityPython

웹 페이지에서 본문을 간단하게 추출할 수 있는 프로그램 라이브러리


파이톤으로 봉인된 데이터를 추출하면 HTML 태그이고 그 이후의 부분은 기분에 영향을 주지 않습니다
쓸데없는 정보는 자주 얻는다.
이럴 때readability-lxml가 있으면 문제없다.제가 설명해 드릴게요.

먼저 설치

(env)$pip install readability-lxml 
다음 유틸리티 범주 만들기
utils.py
# -*- coding:utf8 -*-
import lxml.html
import readability
def get_content(html):
    """
    HTMLの文字列から (タイトル, 本文) のタプルを取得する。
    """

    document = readability.Document(html)
    content_html = document.summary()
    # HTMLタグを除去して本文のテキストのみを取得する。
    content_text = lxml.html.fromstring(content_html).text_content().strip()
    short_title = document.short_title()
    return short_title, content_text

실용 프로그램 클래스를 사용하여 실제 제목과 내용을 얻었는지 테스트합니다
(야후 뉴스를 사용한 글)
import utils
import requests
obj = requests.get('https://headlines.yahoo.co.jp/hl?a=20191230-00000310-oric-ent')
title,content = utils.get_content(obj.content)
print(title)
print(content)
다음 기사를 받았는지 확인해 주세요.

역사를 갱신하다

  • 2019/12/31 신규
  • 좋은 웹페이지 즐겨찾기