uitl:一些常用的开源软件包

ictclas:中文分词，包含词频统计，关键词提取，指纹提取等功能。不同的机器上使用，需要重新编译。

ictclas.py:我对ictclas的python封装(其实就是简单的用python调用ictclas)

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),…]

smallseg:一个轻量级开源python分词程序

使用说明： from mypack.util.smallseg.myseg import seg word_nums = seg( text ) #返回list:[(word,num),(word,num),…]

htmlproc:一些常用的html处理程序

BeautifulSoup.py 开源的html析取程序,网上文档:http://www.crummy.com/software/BeautifulSoup/documentation.zh.html

chardet 自动编码检测与转换

parser.py 对以上两个的封装

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

crawl.py 使用pycurl的单个网页爬取程序,由于pycurl速度并不比urllib快，所以没啥用

classify:文本分类模块说明

preprocess

chi:卡方特征选择

input:

1. df_tb 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|total
2. min_df

tfidf:计算tfidf

使用说明

1. config.py中设置所有的变量
2. 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()

1. 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 )

1. 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

svm 里面有个predict.py，就是用svm来对网页进行分类，

字典和已经训练好的svm 模型放在data/下 如果要自己训练的话，自己下libsvm。liblinear用python不方便调用。

web_content_extract 网页正文提取

使用说明

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 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

NOTICE

ictclas使用前，需要先编译，如果是64位平台，先 ln -s ictclas ictclas64

libsvm.so 64位平台,需要先下载好libsvm，重新编译libsvm.so替换原来的