自动文本摘要 Text Summarization

文本摘要就是对原始文档的要点进行总结。比如新闻关键词的提炼，百度搜索引擎等。

自动文本摘要一般有两种方法: 提取式与抽象式。

提取式顾名思义，就是按照一定的权重，从原文中寻找跟中心思想最接近的一条或几条句子。

而抽象式则是计算机通读原文后，在理解整篇文章意思的基础上，按自己的话生成流畅的翻译。

 

从网页中抽取数据步骤：

1：导入相关库/包

• Beautiful Soup(bs)是一个能从HTML和XML文件中抽出数据的Python库。

• Urllib是一个程序包，里面含有处理URL的多个模块。

• re 这个模块提供了各种正则表达式匹配操作。

• nltk是一个基于Python的类库，是一个领先的自然语言处理的编程与开发平台。它为50多个语料和词库资源提供了易用的交互接口，比如WordNet。它同时也提供了一整套来对文本进行分类、分词、词干提取、标签化、解析、语义推理的文本处理库。

• heapq 这个模块提供了堆队列算法（优先队列算法）的一种实现。

2：抽取数据

3：数据清洗

4：建立直方图

5: 计算句子分值

6：找出最适合的句

import bs4 as bs
import urllib.request
import re
imp