Python 如何准确地从ODP中提取信息？

我正在用python构建一个搜索引擎

我听说谷歌从ODP中获取页面描述，以防谷歌无法使用页面中的元数据找出描述。。。我想做类似的事情

ODP是Mozilla提供的一个在线目录，其中包含网络页面的描述，因此我想从ODP中获取搜索结果的描述。我如何从ODP获得特定url的准确描述，如果找不到python类型None（这意味着ODP不知道我在找什么页面），如何返回python类型None

另外，有一个名为的url，但我不知道如何从中提取信息。

要使用ODP数据，您需要。RDF是一种XML格式；您可以索引该转储以将URL映射到描述；我会使用SQL数据库来实现这一点

请注意，URL可以存在于转储中的多个位置。例如，堆栈溢出列为两次。Google使用来自的文本作为网站描述，Bing使用

数据转储当然相当大。在向数据库添加条目时，使用诸如ElementTree之类的合理工具以迭代方式解析数据集。实际上，您只需要查找元素，并将和条目放在下面

使用lxml，可以更快、更完整地实现ElementTree，如下所示：

from lxml import etree as ET
import gzip
import sqlite3

conn = sqlite3.connect('/path/to/database')

# create table
with conn:
    cursor = conn.cursor()
    cursor.execute('''
        CREATE TABLE IF NOT EXISTS odp_urls 
        (url text primary key, title text, description text)''')

count = 0
nsmap = {'d': 'http://purl.org/dc/elements/1.0/'}
with gzip.open('content.rdf.u8.gz', 'rb') as content, conn:
    cursor = conn.cursor()
    for event, element in ET.iterparse(content, tag='{http://dmoz.org/rdf/}ExternalPage'):
        url = element.attrib['about']
        title = element.xpath('d:Title/text()', namespaces=nsmap)
        description = element.xpath('d:Description/text()', namespaces=nsmap)
        title, description = title and title[0] or '', description and description[0] or ''

        # no longer need this, remove from memory again, as well as any preceding siblings
        elem.clear()
        while elem.getprevious() is not None:
            del elem.getparent()[0]

        cursor.execute('INSERT OR REPLACE INTO odp_urls VALUES (?, ?, ?)',
            (url, title, description))
        count += 1
        if count % 1000 == 0:
            print 'Processed {} items'.format(count)

---

你是说谷歌也下载了rdf转储文件？如果是这样的话，我是否需要坐下来多次下载更新@马蒂恩Pieters@user2335164：你定期下载，是的。最近的垃圾场是在4月28日创建的。非常感谢！您能告诉我如何使用从python下载的rdf转储文件吗。。如果你愿意，我会接受你的回答@MartijnPieters@user2335164下载后，您可以使用它进行进一步处理。@MartijnPieters在您的答案中提供的链接中，我应该选择哪个下载？