サイト上のページから、メインコンテンツだけを抽出したいな～
って思っても、ロジックが複雑そ～
って思って、あきらめていたらこんな便利なものが～
ってことでメモメモ
言語はPythonなのだけれど、ちょうど今マイブームなので問題なしっｗ
readability-lxmlというモジュールで実現できるらしい！
まずはpipでインストール！
pip install readability-lxml
そしたら、下記コマンドをたたくと、なんとメインコンテンツが返ってくるのだ～
python -m readability.readability -u http://pypi.python.org/pypi/readability-lxml
ちょー簡単なうえ、優秀！！
記事ページとかなら高確率で抽出できる！
こりゃ便利ｗ
コメント