2

我目前正在开展一个项目，该项目涉及查找与某个关键字相关的“知识领域”。我打算用 DMOZ 来做这件事。例如，“布拉德皮特”给出

Arts: People: P: Pitt, Brad: Fan Pages (10)

Arts: People: P: Pitt, Brad: Articles and Interviews (5)

Arts: People: P: Pitt, Brad (4)

Arts: People: P: Pitt, Brad: Image Galleries (2)

Arts: People: P: Pitt, Brad: Movies (2)

等等...

我有来自 DMOZ 网站的 structure.rdf.u8 转储。有人向我提到，如果我不需要 URL，只需这个文件就足够了（我不需要网站，只需要与关键字有关的类别）。或者我还需要内容文件吗？

此外，我想知道使用 Python（任何库）解析结构文件的最佳方法。我对 XML 没有任何了解，尽管我很擅长 Python。

4

1 回答 1

1

我从https://github.com/kremso/dmoz-parser开始 并制作了一个简单的主题过滤器： https ://github.com/lawrencecreates/dmoz-parser/blob/master/sample.py#L6

class LawrenceFilter:
  def __init__(self):
    self._file = open("seeds.txt", 'w')

  def page(self, page, content):
      if page != None and page != "":
          topic = content['topic']
          if topic.find('United_States/Kansas/Localities/L/Lawrence') > 0 :
              self._file.write(page + "\n")
              print "found page %s in topic %s" % (page , topic)

  def finish(self):
    self._file.close()
于 2013-10-11T13:34:53.503 回答