html文章清理器/提取器，五个过滤器兼容。
ftr的Python项目详细描述
#python ftr
ftr是[five filters extractor]的partial（re-）实现 ]（http://fivefilters.org/）在python中。
它清理HTML网页并提取其内容和元数据 更舒适的阅读体验（或任何你需要的）。它使用 要解析的配置文件的集中化和互惠化存储库 尽可能精确的网站，并退回到众所周知的 可读性如果未找到配置，则自动提取程序。
一个显著的区别是，这个python实现将获取 从Internet上的集中存储库在 如果在本地找不到配置，则运行。
[有完整的文档]（http://python-ftr.readthedocs.org）。
##与fivefilters php实现的区别
python ftr: -目前只有一个解析器库（lxml）。html5lib尚未移植。 -不将日期字符串转换为对象。我觉得这样更灵活，可以在上层处理它们，让用户能够访问定制的解析器。如果我实现了将自定义解析函数传递给提取器，这种情况可能会改变。 -使用[可读性lxml]（https://github.com/buriy/python-readability）在非自动正文提取之后进行清理。即使它是arc90的readability.js的一个端口，就像5个过滤器使用的[php readability port]（https://github.com/wallabag/wallabag/blob/master/inc/3rdparty/libraries/readability/Readability.php）一样，它最终也可能产生不同的结果，因为它们计算内容权重的方式不同（我没有按代码比较）。 -在没有可用的站点配置时不会回退到自动分析，但在找到配置并失败时会部分回退。由于python ftr是为了包含在复杂的解析链中而创建的，因此当当前站点没有配置时，我们不需要自动解析。详情见下文。 -没有指纹支持。这个特性看起来还没有完成，或者至少没有足够的文档让我在原始代码中理解它。 -完全不使用globalfive filters配置文件。.txt看起来未维护，通用回退仍可以在此模块之外实现：使用api时，可以通过参数提供自己的全局配置。
##自动提取
如果您需要在未找到配置的情况下进行全自动分析-这很容易检测到，因为process（）和低级API提高了siteconfignotfound-只需使用可读性lxml，可浏览性，python goose，汤过滤器或任何适合您的方法。
在A^ { STR 1 } $现有配置但解析失败< /强>的原因中，我们仍然尊重
这并不像php实现那样有特色，php实现试图通过其他方式提取日期、语言和作者，但仍然比什么都没有要好。
使用自动提取时，ContentExtractor实例将具有一个.failures属性，精确列出哪些非自动提取失败。
如果找到配置但没有site或body指令（例如，应明确使用自动提取），则如果自动提取成功，则不会设置failures属性。
##待办事项
有关动态todo列表，请参见[问题愿望列表]（/1flow/python ftr/labels/wishlist）。
##许可证
GNU Affero GPL版本3。
欢迎加入QQ群-->： 979659372
