在部落格系統的文章清單中，為了更有效地呈現文章內容，從而讓讀者更有針對性地選擇閱讀，通常會同時提供文章的標題和摘要。
一篇文章的內容可以是純文字格式的，但在網路盛行的當今，更多是HTML格式的。無論是哪一種格式，摘要一般都是文章開頭部分的內容，可以依照指定的字數來擷取。
純文字摘要
首先我們對純文字摘要進行提取，純文字文件就是一個長字串，很容易實現對它的摘要提取：
#!/usr/bin/env python # -*- coding: utf-8 -*- """Get a summary of the TEXT-format document""" def get_summary(text, count): u"""Get the first `count` characters from `text` >>> text = u'Welcome 这是一篇关于Python的文章' >>> get_summary(text, 12) == u'Welcome 这是一篇' True """ assert(isinstance(text, unicode)) return text[0:count] if __name__ == '__main__': import doctest doctest.testmod()
HTML摘要
HTML文件中包含大量標記符（如
、等等），這些字元都是標記指令，並且通常是成對出現的，簡單的文字截取會破壞HTML的文檔結構，進而導致摘要在瀏覽器中顯示不當。
在遵循HTML文檔結構的同時，又要對內容進行截取，就需要解析HTML文檔。在Python中，可以藉助標準函式庫HTMLParser來完成。
一個最簡單的摘要擷取功能，是忽略HTML標記符而只擷取標記內部的原生文字。以下就是類似此功能的Python實作：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""Get a raw summary of the HTML-format document"""
from HTMLParser import HTMLParser
class SummaryHTMLParser(HTMLParser):
"""Parse HTML text to get a summary
>>> text = u'<p>Hi guys:</p><p>This is a example using SummaryHTMLParser.</p>'
>>> parser = SummaryHTMLParser(10)
>>> parser.feed(text)
>>> parser.get_summary(u'...')
u'<p>Higuys:Thi...</p>'
"""
def __init__(self, count):
HTMLParser.__init__(self)
self.count = count
self.summary = u''
def feed(self, data):
"""Only accept unicode `data`"""
assert(isinstance(data, unicode))
HTMLParser.feed(self, data)
def handle_data(self, data):
more = self.count - len(self.summary)
if more > 0:
# Remove possible whitespaces in `data`
data_without_whitespace = u''.join(data.split())
self.summary += data_without_whitespace[0:more]
def get_summary(self, suffix=u'', wrapper=u'p'):
return u'<{0}>{1}{2}</{0}>'.format(wrapper, self.summary, suffix)
if __name__ == '__main__':
import doctest
doctest.testmod()以上就是【PYTHON教學】擷取文章摘要的內容，更多相關內容請關注PHP中文網（www.php.cn）！
