web网页分为两大类（webclassify 用于网页分类的python工具包）

使用说明： from mypack.util.ictclas import ICTclas ic = ICTclas( text ) ic.finger() #返回text的指纹 ic.words() #返回list:[(word,num),(word,num),...]使用说明： from mypack.util.smallseg.myseg import seg word_nums = seg( text ) #返回list:[(word,num),(word,num),...]使用说明: pr = Parser()

if pr.parse( url ):

print pr.get_html() #返回网页的html格式 print pr.get_text().encode(utf-8) #返回网页中的字符串

if pr.parse( url ):

print pr.get_html() #返回网页的html格式 print pr.get_text().encode(utf-8) #返回网页中的字符串

print pr.get_html() #返回网页的html格式 print pr.get_text().encode(utf-8) #返回网页中的字符串格式如下,book为word在book类的文档频率(int)    
    
    
，total为各类的df之和   


     


     


   ，为word的总df： word|book|edu|finance|house|mil|sport|car|ent|game|lady|mobile|tech|total2. min_df2. 执行db/create.py



 




 




 

，创建数据库表 3. 爬取url 4. 执行chi模块：去低频词  
    
    
   、卡方值计算

     


     


     

、idf值计算 from mypack.classfiy.preprocess.chi import chi_compute chi_compute() 5. 执行卡方特征选择   

   

   

，构建新字典 from mypack.classify.preprocess.voca import read_voca,transform_samples voca = read_voca() transform_samples( voca ) 6. 预测 from mypack.classify.svm.predict import classify_text#对文本进行分类 from mypack.classify.svm.predict import classify_text#对url进行分类如果要自己训练的话    

     

     

  ，自己下libsvm    
    
    
。liblinear用python不方便调用   


     


     


   。from mypack.web_content_extract.extract import Extractor extr = Extractor( url ) if extr.is_content_page(): #判断是否是正文页面

text = extr.get_content() # 提取正文

text = extr.get_content() # 提取正文html = extr.get_content_with_format() #带html标签的正文

images = extr.get_images() # 提取正文中的图片 title = extr.get_title() # 提取正文的标题

confidence = extr.get_confidence() #是正文的置信度

extr.get_detail()#详细分析信息

images = extr.get_images() # 提取正文中的图片 title = extr.get_title() # 提取正文的标题confidence = extr.get_confidence() #是正文的置信度extr.get_detail()#详细分析信息