Извлеките текст из HTML
Чтобы извлечь текстовые данные непосредственно из кода HTML, используйте extractHTMLText и задайте код HTML как строку.
code = "<html><body><h1>THE SONNETS</h1><p>by William Shakespeare</p></body></html>";
str = extractHTMLText(code)str =
"THE SONNETS
by William Shakespeare"
Чтобы извлечь текстовые данные из веб-страницы, сначала используйте webread функционируйте, чтобы считать код HTML. Затем используйте extractHTMLText функция на возвращенном коде.
url = "https://www.mathworks.com/help/textanalytics";
code = webread(url);
str = extractHTMLText(code)str =
'Text Analytics Toolbox
Analyze and model text data
Release Notes
PDF Documentation
Release Notes
PDF Documentation
Text Analytics Toolbox™ provides algorithms and visualizations for preprocessing, analyzing, and modeling text data. Models created with the toolbox can be used in applications such as sentiment analysis, predictive maintenance, and topic modeling.
Text Analytics Toolbox includes tools for processing raw text from sources such as equipment logs, news feeds, surveys, operator reports, and social media. You can extract text from popular file formats, preprocess raw text, extract individual words, convert text into numerical representations, and build statistical models.
Using machine learning techniques such as LSA, LDA, and word embeddings, you can find clusters and create features from high-dimensional text datasets. Features created with Text Analytics Toolbox can be combined with features from other data sources to build machine learning models that take advantage of textual, numeric, and other types of data.
Get Started
Learn the basics of Text Analytics Toolbox
Text Data Preparation
Import text data into MATLAB® and preprocess it for analysis
Modeling and Prediction
Develop predictive models using topic models and word embeddings
Display and Presentation
Visualize text data and models using word clouds and text scatter plots
Language Support
Information on language support in Text Analytics Toolbox'
Считайте код HTML из https://www.mathworks.com/help/textanalytics URL использование webread функция.
url = "https://www.mathworks.com/help/textanalytics";
code = webread(url);Проанализируйте код HTML с помощью htmlTree.
tree = htmlTree(code);
Найдите все гиперссылки в дереве HTML использованием findElement. Гиперссылки являются узлами с именем элемента "A".
selector = "A";
subtrees = findElement(tree,selector);Просмотрите первые несколько поддеревьев.
subtrees(1:10)
ans =
10×1 htmlTree:
<A class="skip_link sr-only" href="#content_container">Skip to content</A>
<A href="https://www.mathworks.com?s_tid=gn_logo" class="svg_link navbar-brand"><IMG src="/images/responsive/global/pic-header-mathworks-logo.svg" class="mw_logo" alt="MathWorks"/></A>
<A href="https://www.mathworks.com/products.html?s_tid=gn_ps">Products</A>
<A href="https://www.mathworks.com/solutions.html?s_tid=gn_sol">Solutions</A>
<A href="https://www.mathworks.com/academia.html?s_tid=gn_acad">Academia</A>
<A href="https://www.mathworks.com/support.html?s_tid=gn_supp">Support</A>
<A href="https://www.mathworks.com/matlabcentral/?s_tid=gn_mlc">Community</A>
<A href="https://www.mathworks.com/company/events.html?s_tid=gn_ev">Events</A>
<A href="https://www.mathworks.com/products/get-matlab.html?s_tid=gn_getml">Get MATLAB</A>
<A href="https://www.mathworks.com?s_tid=gn_logo" class="svg_link pull-left"><IMG src="/images/responsive/global/pic-header-mathworks-logo.svg" class="mw_logo" alt="MathWorks"/></A>
Извлеките текст из поддеревьев с помощью extractHTMLText. Результат содержит текст ссылки от каждой ссылки на странице.
str = extractHTMLText(subtrees); str(1:10)
ans = 10×1 string
"Skip to content"
""
"Products"
"Solutions"
"Academia"
"Support"
"Community"
"Events"
"Get MATLAB"
""
code — Код HTMLКод HTML в виде строкового скаляра, вектора символов или массива ячеек, содержащего односимвольный вектор.
Совет
Чтобы считать код HTML из веб-страницы, использовать webread.
Чтобы извлечь текст из файла HTML, использовать extractFileText.
Пример: "<a href='https://www.mathworks.com'>MathWorks</a>"
Типы данных: char | string | cell
tree — Дерево HTMLhtmlTree массивДерево HTML в виде htmlTree массив.
ex — Метод экстракции'tree' (значение по умолчанию) | 'article' | 'all-text'Метод экстракции в виде одного из следующего:
| Опция | Описание |
|---|---|
'tree' | Анализируйте дерево DOM и текстовое содержимое, затем извлеките блок абзацев. |
'article' | Обнаружьте текст статьи и извлеките блок абзацев. |
'all-text' | Извлеките весь текст в теле HTML, за исключением стилей CSS и скриптов. |
extractFileText | readPDFFormData | writeTextDocument | webread | tokenizedDocument | htmlTree
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.