class ArticleServer(object):
def __init__(self, reactor, conf):
self.reactor = reactor
self.article_extractor = ArticleExtractor(conf)
self.logger = logging.getLogger("")
def process_request(self, response, url):
pass
def process_body(self, body, url):
self.article_extractor.extract(body, url)
print body[:100]
def process_error(self, failure, url):
print failure.getErrorMessage()
self.logger.error("download error, url:%s, msg:%s" %
(url, failure.getErrorMessage()))
def process_task(self, url):
url = url.encode('utf-8')
requestProcess = (self.process_request, (url,), {})
bodyProcess = (self.process_body, (url,), {})
errorProcess = (self.process_error, (url,), {})
print "article_task:", url
self.reactor.download_and_process(url, None, requestProcess, bodyProcess, errorProcess, redirect=True)
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')
def __init__(self, reactor, conf):
self.reactor = reactor
self.article_extractor = ArticleExtractor(conf)
self.logger = logging.getLogger("")
