ExtractContent3はPython3で動作する、HTMLから本文を抽出するモジュールです。 このモジュールは、ExtractContent RubyモジュールをPython用に書き直したpython-extracontentを改造したものです。
from extractcontent3 import ExtractContent
extractor = ExtractContent()
# オプション値を指定する
opt = {"threshold":50}
extractor.set_option(opt)
html = open("index.html").read() # 解析対象HTML
extractor.analyse(html)
text, title = extractor.as_text()
html, title = extractor.as_html()
title = extractor.extract_title(html)# pypi
$ pip install extractcontent3
# Githubからのインストール
$ pip install git+https://github.com/kanjirz50/python-extractcontent3"""
オプションの種類:
名称 / デフォルト値
threshold / 100
本文と見なすスコアの閾値
min_length / 80
評価を行うブロック長の最小値
decay_factor / 0.73
減衰係数
小さいほど先頭に近いブロックのスコアが高くなります
continuous_factor / 1.62
連続ブロック係数
大きいほどブロックを連続と判定しにくくなる
punctuation_weight / 10
句読点に対するスコア
大きいほど句読点が存在するブロックを本文と判定しやすくなる
punctuations r"(?is)([\u3001\u3002\uff01\uff0c\uff0e\uff1f]|\.[^A-Za-z0-9]|,[^0-9]|!|\?)"
句読点を抽出する正規表現
waste_expressions / r"(?i)Copyright|All Rights Reserved"
フッターに含まれる特徴的なキーワードを指定した正規表現
debug / False
Trueの場合、ブロック情報を出力
"""オリジナル版の作成者やForkで改良を加えた方々に感謝します。
- Copyright of the original implementation:: (c)2007/2008/2009 Nakatani Shuyo / Cybozu labs Inc. All rights reserved - http://rubyforge.org/projects/extractcontent/ - http://labs.cybozu.co.jp/blog/nakatani/2007/09/web_1.html
- https://github.com/petitviolet/python-extractcontent
- https://github.com/yono/python-extractcontent