ウェブサイトからのニュースとメモを統合しようとしています。
レピュテーション ニュース サービスの Web サイトでは、ユーザーはコメントやビューを投稿できます。
ユーザーのコメントなしでニュース コンテンツのみを取得しようとしています。BeautifulSoupとhtml2textで作業してみました。しかし、ユーザーのコメントはテキスト ファイルに含まれています。カスタムプログラムの開発も試みましたが、上記の 2 つよりも有用な進歩はありませんでした。
誰もが続行する方法の手がかりを提供できますか?
コード:
import urllib2
from bs4 import BeautifulSoup
URL ='http://www.example.com'
print 'Following: ',URL
print "Loading..."
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
identify_as = { 'User-Agent' : user_agent }
print "Reading URL:"+str(URL)
def process(URL,identify_as):
req = urllib2.Request(URL,data=None,headers=identify_as)
response = urllib2.urlopen(req)
_BSobj = BeautifulSoup(response).prettify(encoding='utf-8')
return _BSobj #return beauifulsoup object
print 'Processing URL...'
new_string = process(URL,identify_as).split()
print 'Buidiing requested Text'
tagB = ['<title>','<p>']
tagC = ['</title>','</p>']
reqText = []
for num in xrange(len(new_string)):
buffText = [] #initialize and reset
if new_string[num] in tagB:
tag = tagB.index(new_string[num])
while new_string[num] != tagC[tag]:
buffText.append(new_string[num])
num+=1
reqText.extend(buffText)
reqText= ''.join(reqText)
fileID = open('reqText.txt','w')
fileID.write(reqText)
fileID.close()