使用ruby nokogiri抓点东西弄成分类语料

使用ruby nokogiri从搜狐旅游新闻频道抓点东东做成分类的训练预料:

#!/usr/bin/ruby

#
# Author: fuliang http://fuliang.iteye.com
#
require 'open-uri'
require 'nokogiri'

link_xpath = "/html/body/div/div[4]/div[1]/div/ul/li/a"
content_xpath = '//*[@id="contentText"]'

10.upto(53) do |index|
url = "http://travel.sohu.com/lvyouxinwen_#{index}.shtml"
STDERR.puts "processing #{url}..."
Nokogiri::HTML(open(url)).xpath(link_xpath).each do |item|
link,title = item.attributes["href"], item.content
next unless link && title
title = title.gsub(/\s+|[<>]/,"")
contents = Nokogiri::HTML(open(link)).xpath(content_xpath)
next unless contents && !contents.empty?
content = contents[0].content.gsub(/\s+|[<>]/m,"")
puts "<TitleWords: %s><BodyWords: %s><category:TravelNews>" % [ title, content ]
end
end
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值