Nlp 谷歌云自然语言API真的支持解析HTML吗？

我试图从新闻网站和博客中提取主体内容

这些文档使它看起来像是

文档。analyzeSyntax

通过传递

文档

，将

内容

作为页面的原始HTML（utf-8）和文档的

类型

设置为

HTML

，与HTML一样工作。这些文档肯定包含HTML作为受支持的内容类型

然而，在实践中，结果语句和标记被HTML标记弄乱了，就好像解析器认为输入是纯文本一样。目前，这排除了我的用例中的GC-NL-API，也可能排除了其他许多用例中的GC-NL-API，因为通过自然语言处理web页面是一项非常常见的任务

作为参考，这里有一个蒲公英API，它的输出类型是给定HTML输入（或者在本例中是作为输入的HTML页面的URL）所期望的

那么，我的问题是，我是否遗漏了一些东西，可能是错误地调用了API，还是NL API不支持HTML？

是的

不确定您使用的是哪种语言，但下面是使用客户机库的python示例：

from google.cloud import language

client = language.Client()

# document of type PLAIN_TEXT
text = "hello"
document_text = client.document_from_text(text)
syntax_text = document_text.analyze_syntax()

print("\n\ndocument of type PLAIN_TEXE:")
for token in syntax_text.tokens:
    print(token.__dict__)

# document of type HTML
html = "<p>hello</p>"
document_html = client.document_from_html(html)
syntax_html = document_html.analyze_syntax()

print("\n\ndocument of type HTML:")
for token in syntax_html.tokens:
    print(token.__dict__)

# document of type PLAIN_TEXT but should be HTML
document_mismatch = client.document_from_text(html)
syntax_mismatch = document_mismatch.analyze_syntax()

print("\n\ndocument of type PLAIN_TEXT but with HTML content:")
for token in syntax_mismatch.tokens:
    print(token.__dict__)

来自google.cloud导入语言
client=language.client（）
#纯文本类型的文档
text=“你好”
document_text=客户端。document_from_text（text）
语法\文本=文档\文本。分析\语法（）
打印（“\n\n纯文本类型的文档：”）
对于syntax_text.tokens中的令牌：
打印（令牌.\uuuu命令\uuuuu）
#HTML类型的文档
html=“你好
”
document\u html=客户端。document\u from\u html（html）
syntax\u html=document\u html.analyze\u syntax（）
打印（“\n\n HTML类型的文档：”）
对于syntax_html.tokens中的令牌：
打印（令牌.\uuuu命令\uuuuu）
#纯文本类型的文档，但应为HTML
document\u mismatch=客户端。document\u from\u文本（html）
语法不匹配=文档不匹配。分析语法（）
打印（“\n\n纯文本类型但包含HTML内容的文档：”）
对于syntax_.tokens中的令牌：
打印（令牌.\uuuu命令\uuuuu）

这对我来说很有用，因为html标记

和

不是作为自然语言处理的

如果您完成了上的设置步骤，您可以快速试用

gcloud

命令行工具：

gcloud beta-ml语言分析语法--content=“hello
”--content type=“HTML”