matlab最简单的代码-text_extraction:纯文本爬虫及文本规则提取

上传者: 38701683 | 上传时间: 2021-10-14 13:39:30 | 文件大小: 633KB | 文件类型: -
matlab最简单的代码 text_extraction 纯文本爬虫及文本规则提取 需求 爬去某个外文网站的某些文本文档,网站前缀为 获得文本会把文本储存在本地文件夹source中,文件命名方式为文档middle_sample.csv中前六列的字符串用任意复合连接起来,在这里为用了符合“-”。 对于每个爬下来的文档,按特定规则把文本中的部分字符串提取出来,并保存到本地文件夹result中,文档命名同上。 提取规则为在原文本中最后一次出现特定关键句keyword之前的字符串中再找出第一次出现另一个关键句another keyword后面的所有字符串提取出来。假设在小写文本中第一次出现table的索引位置为 1000,那么在原文本中前 1000个字符里最后一次出现keyword的索引位置为800则把原文本索引为800之后的所有字符抽取出来,记为text2若所有table在小写文档中出现的索引都小于keyword在原文档第一次出现的索引则直接把原文档另存为为新文档。 文档说明 /source/ 用于存放原始爬取下来的原始文本。由于前部分没有一个文本符合后面的文本提取规则,因此额外添加一个符合

文件下载

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明