網(wǎng)頁(yè)噪聲包括為了增強用戶(hù)交互性而加入的各種腳本標記, 加強網(wǎng)頁(yè)視覺(jué)效果的各種動(dòng)畫(huà), 為了方便用戶(hù)瀏覽而添加的導航鏈接、廣告鏈接。這些信息跟文本分類(lèi)沒(méi)有實(shí)質(zhì)性關(guān)系。
Python作為一種網(wǎng)頁(yè)文本的爬蟲(chóng)程序開(kāi)發(fā)語(yǔ)言, 可以完成很多復雜的網(wǎng)頁(yè)文本提取。使用urlib2模塊下的簡(jiǎn)單代碼就能爬取目標網(wǎng)頁(yè)的全部源代碼, 獲得整個(gè)網(wǎng)頁(yè)的內容。使用BeautifulSoup模塊自帶的html.parse庫, 去掉所爬網(wǎng)頁(yè)源代碼中的html標記, 即可提取網(wǎng)頁(yè)標簽中的文本內容。
本文地址：http://havencoinwallet.com//article/20622.html
