Python readability的使用:
from readability.readability import Document
import urllib
html = urllib.urlopen(url).read()
readable_article = Document(html).summary()
readable_title = Document(html).short_title()
最后抽取出来的readable_article是带HTML标签的文本。然而在好多情况下经过readability过滤后的带HTML标签的文本是我们不想要的,也就是readability取错内容了,面对这种情况我们可以先对传入前的html操作。
例如,需要提取的正文在
下即
与
之间,我们可以采取下面的操作。
from readability.readability import Document
from scrapy .selector import HtmlXPathSelector
from scrapy.http import HtmlResponse
import urllib
html = urllib.urlopen(url).read()
content_t = html.split('
')[-1].strip().split('