使用ruby nokogiri抓点东西弄成分类语料

iteye_14216

于 2010-10-29 21:59:29 发布

阅读量110

点赞数

分类专栏： Ruby 文章标签： Ruby 旅游 HTML

Ruby 专栏收录该内容

39 篇文章

订阅专栏

本示例展示了如何使用Ruby及Nokogiri库从搜狐旅游新闻频道抓取新闻标题和内容，进行数据处理并生成分类训练数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用ruby nokogiri从搜狐旅游新闻频道抓点东东做成分类的训练预料：


#!/usr/bin/ruby

#
# Author: fuliang http://fuliang.iteye.com 
#
require 'open-uri'
require 'nokogiri'

link_xpath = "/html/body/div/div[4]/div[1]/div/ul/li/a"
content_xpath = '//*[@id="contentText"]'

10.upto(53) do |index|
    url = "http://travel.sohu.com/lvyouxinwen_#{index}.shtml"
    STDERR.puts "processing #{url}..."
    Nokogiri::HTML(open(url)).xpath(link_xpath).each do |item|
       link,title = item.attributes["href"], item.content
       next unless link && title
       title = title.gsub(/\s+|[<>]/,"")
       contents = Nokogiri::HTML(open(link)).xpath(content_xpath)
       next unless contents && !contents.empty? 
       content = contents[0].content.gsub(/\s+|[<>]/m,"")
       puts "<TitleWords: %s><BodyWords: %s><category:TravelNews>" % [ title, content ]
    end
end