用于网页分类的python工具包

web-classify 用于网页分类的python工具包

Project Home		Downloads		Wiki		Issues		Source

Summary |  Updates |  People

Star this project

Activity:  Medium

Code license:  Apache License 2.0

Labels: gearman, knn, web-classify

Feeds: Project feeds

Owners: l0he1g

People details »

本工具包将一些常用的网页分类不同语言的相关开源软件，如ictclas，BeautifulSoup，libsvm等进行封装组合，以方便用python进行网页分类相关程序的开发。

# uitl:一些常用的开源软件包 ## ictclas:中文分词，包含词频统计，关键词提取，指纹提取等功能。不同的机器上使用，需要重新编译。

## ictclas.py:我对ictclas的python封装(其实就是简单的用python调用ictclas)

使用说明： from mypack.util.ictclas import ICTclas ic = ICTclas( text ) ic.finger() #返回text的指纹 ic.words() #返回list:(word,num),(word,num),...

## smallseg:一个轻量级开源python分词程序

使用说明： from mypack.util.smallseg.myseg import seg word_nums = seg( text ) #返回list:(word,num),(word,num),...

## htmlproc:一些常用的html处理程序

### BeautifulSoup.py 开源的html析取程序,网上文档:http://www.crummy.com/software/BeautifulSoup/documentation.zh.html

### chardet 自动编码检测与转换

### parser.py 对以上两个的封装

使用说明: pr = Parser()

if pr.parse( url ):

print pr.get_html() #返回网页的html格式 print pr.get_text().encode('utf-8') #返回网页中的字符串

### crawl.py 使用pycurl的单个网页爬取程序,由于pycurl速度并不比urllib快，所以没啥用

# classify:文本分类模块说明

## preprocess

### chi:卡方特征选择

#### input:

1. df_tb

格式如下,book为word在book类的文档频率(int)，total为各类的df之和，为word的总df： word|book|edu|finance|house|mil|sport|car|ent|game|lady|mobile|tech|total

2. min_df

### tfidf:计算tfidf

### 使用说明

1. config.py中设置所有的变量

2. 执行db/create.py，创建数据库表 3. 爬取url 4. 执行chi模块：去低频词、卡方值计算、idf值计算 from mypack.classfiy.preprocess.chi import chi_compute chi_compute() 5. 执行卡方特征选择，构建新字典 from mypack.classify.preprocess.voca import read_voca,transform_samples voca = read_voca() transform_samples( voca ) 6. 预测 from mypack.classify.svm.predict import classify_text#对文本进行分类 from mypack.classify.svm.predict import classify_text#对url进行分类

## svm 里面有个predict.py，就是用svm来对网页进行分类，字典和已经训练好的svm 模型放在data/下

如果要自己训练的话，自己下libsvm。liblinear用python不方便调用。

# web_content_extract 网页正文提取

## 使用说明

from mypack.web_content_extract.extract import Extractor extr = Extractor( url ) if extr.is_content_page(): #判断是否是正文页面

text = extr.get_content() # 提取正文

html = extr.get_content_with_format() #带html标签的正文

images = extr.get_images() # 提取正文中的图片 title = extr.get_title() # 提取正文的标题

confidence = extr.get_confidence() #是正文的置信度

extr.get_detail()#详细分析信息

# NOTICE ## ictclas使用前，需要先编译，如果是64位平台，先 ln -s ictclas ictclas64 ## libsvm.so 64位平台,需要先下载好libsvm，重新编译libsvm.so替换原来的