/
main.py
81 lines (58 loc) · 2.83 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
# -*- coding: utf-8 -*-
from __future__ import print_function
from __future__ import unicode_literals
import sys
import codecs
from text_processor import TextProcessor
from html_parser import Parser
from article_extractor import ArticleExtractor
from url_handler import UrlHandler
from output_formatter import Formatter
from settings import Settings
reload(sys)
sys.setdefaultencoding('utf-8')
class PageArticle(object):
"""
"""
def __init__(self):
self.config = Settings()
self.language = self.config.language
def get_article(self, url):
# инициализируем UrlHandler
urlhandler = UrlHandler()
# получаем веб-страницу и её кодировку
source_page, encoding = urlhandler.load_page(url)
# инициализируем парсер, текстовый процессор, экстрактор
html_parser = Parser(source_page, encoding)
text_processor = TextProcessor(self.language)
article_extractor = ArticleExtractor(self.language)
formatter = Formatter()
# получаем списки элементов, очищенных от тегов (raw_cleaned_elements)
# и нет (elements_as_string)
raw_cleaned_elements, elements_as_string = html_parser.get_parsed_nodes()
# заголовок
title = html_parser.get_title()
# получаем спосок лемматизированных текстов
stemmed_tag_elements = text_processor.iterate_over_texts(raw_cleaned_elements)
# получаем ранжированный список элементов
best_nodes = article_extractor.find_best_node(stemmed_tag_elements)
# для первого элемента из ранжированного списка
# ищем в цикле нужный элемент с тегами (elements_as_string)
# передаем найденный элемент в out_formatter
for text, element in zip(raw_cleaned_elements, elements_as_string):
if best_nodes[0][0] == text:
node_to_format = element
# out_formatter подготавливает текст для сохранения
clean_text = formatter.format_article(node_to_format)
# сохраняем в текстовый файл
with codecs.open('output.txt', 'w', 'utf-8') as out:
out.write(title+'\n\n')
for paragraph in clean_text:
for line in paragraph:
out.write(line)
out.write('\n')
out.write('\n')
if __name__ == '__main__':
url = sys.argv[1]
article = PageArticle()
article.get_article(url)