如何仅提取文章正文的某些部分？

Posted 2023-02-24

【中文标题】如何仅提取文章正文的某些部分？

【英文标题】：How can I extract only certain parts of the body of an article?

【发布时间】：2019-07-13 20:18:09

【问题描述】：

在我的text_scraper(page_soup) 中，我意识到最后我得到了与我的文章完全无关的不相关信息。什么是消除不相关信息的通用方法？

from urllib.request import urlopen as uReq
from bs4 import BeautifulSoup as soup
import re


# Initializing our dictionary
dictionary = 

# Initializing our url key
url_key = 'url'
dictionary.setdefault(url_key, [])

# Initializing our text key
text_key = 'text'
dictionary.setdefault(text_key, [])

def text_scraper(page_soup):
    text_body = ''
    # Returns the text of p tags, we stopped it at -5 bc that's when the text is irrelevant to the article
    for p in page_soup.find_all('p'):
        text_body += p.text
    return(text_body)

def article_scraper(url):
    # Opening up the connection, grabbing the page
    uClient = uReq(url)
    page_html = uClient.read()
    uClient.close()

    # HTML parsing
    page_soup = soup(page_html, "html.parser")

    dictionary['url'].append(url)
    dictionary['text'] = text_scraper(page_soup)
    return dictionary

articles_zero = 'https://www.sfchronicle.com/news/bayarea/heatherknight/article/Special-education-teacher-a-prime-example-of-13560483.php'
article = article_scraper(articles_zero)
article

【问题讨论】：

你想抓取文章的哪一部分？

直到这一段：“这座城市需要尽其所能来留住像 Torres Esquer 这样的教师。恰好有 1.85 亿美元的免费资金坐在那里帮助它做到这一点。”

@Andy 我的回答对你有好处吗？如果是，你能接受吗？

【参考方案1】：

如果你只想要与文章相关的文本，你可以在你的text_scraper方法中调整你的指针，只刮<section>中的<p>标签：

def text_scraper(page_soup):
    text_body = ''
    # Find only the text related to the article:
    article_section = page_soup.find('section','class':'body')
    # Returns the text of p tags, we stopped it at -5 bc that's when the text is irrelevant to the article
    for p in article_section.find_all('p'):
        if p.previousSibling and p.previousSibling.name is not 'em':
            text_body += p.text
    return(text_body)

然后文章将返回，页脚内没有文字（Heather Knight 是一个专栏作家 [...] 和他们的斗争。）

编辑：添加了对父级的测试以避免最后一部分旧金山纪事[...]Twitter：@hknightsf