我试图从新闻网站提取主体内容&博客。Google Cloud Natural Language API实际上是否支持解析HTML?
该文档使它看起来好像documents.analyzeSyntax
将通过与content
传递一个document
作为页面的原始HTML(UTF-8)和文档的type
设置为HTML
与HTML正常工作。文档绝对包含HTML作为支持的内容类型。
然而,实际上,生成的句子和标记与HTML标签混杂在一起,就好像分析器认为输入是纯文本一样。就目前而言,这为我的用例排除了GC NL API,推测很多其他人通过自然语言处理网页是一项非常普遍的任务。
作为参考,这里是一个example由Dandelion API输出类型的人会期望给定的HTML输入(或者更确切地说,在这种情况下,一个HTML页面的URL作为输入)。
那么我的问题是我错过了什么,可能是错误地调用了API,还是NL API不支持HTML?