Django 博客生成 Markdown 摘要的几种方式对比

在搭建博客中, 自动生成摘要是一个很普遍的需求, 今天讲的生成摘要方式均为抽取式, 并且实质仍是抽取文章前 N 个字, 真正的抽取式通常会使用 TextRank 算法计算文章中的句子权重高的再抽取句子, 更非生成式,生成式摘要需要依靠神经网络的帮助.

方式一: 直接取 Markdown 文字的前100个字(不推荐)

这种简单粗暴的方式很不友好, 如果开头是一张图片或者是链接, 那么用户可能只看到链接, 体验感很差.

方式二: 使用正则去掉Markdown (有门槛)

通过研究 Markdown 语法, 然后用正则表达式去除即可.

注意此处的 re.sub 函数, 其参数展开应该是

re.sub(pattern,repl,string,count=0,flags=0)

也就是说下面代码的含义是: 检测到 article.body 中符合 pattern 规则的字符串, 则用空字符串( '' 代表空字符串) 代替符合规则的字符串.

补充一点正则表达式的知识, 以本文中的正则表达式为例: \[(.*?)\]\(.*?\) 先匹配一个中括号 []. 因为 \[\] 中的斜杆会让原本匹配中括号表达式转义为匹配一个中括号.

然后开始匹配 () 内的子表达式 .*?

点 .匹配除换行符 \n 之外的任何单字符

星号 *匹配前面的子表达式零次或多次

问号 ?则表示匹配前面的子表达式一次或零次.

整个表达式的意思就是匹配 Markdown 语法中的链接 []() 括号内的字符为任意长度, 零或一或无限多个非回车的字符均可.

笔者进行了测试, 证明这个表达式是可行的.

import recontent = re.sub(r'\[(.*?)\]\(.*?\)', '', article.body)pattern = r'[*#>`-]'article.body = re.sub(pattern, '', content)

方式三: 转换为 HTML, 再用过滤器去掉HTML标签 (推荐)

Django 内置了过滤器, 引入后即可清除 HTML 标签(当然, 你也可以用正则表达式过滤)

from django.utils.html import strip_tagsarticle.body = strip_tags(markdown.markdown(article.body))

方式四: 使用 Xpath 的 String() 方法 (推荐)

Xpath 的 string()方法常可用于爬取网页时提取网页的纯文本, 依据这个思路也可以用来提取 Markdown 文字的纯文本.

from lxml import etreehtml = markdown.markdown(article.body)content = etree.HTML(html)article.body = content.xpath('string()')article.body = markdown.markdown(article.body)