python深入操控wordpress之需求分析+分词模块选择（一）

现状：

1、采集的文章统一放在“未分类”且存为草稿箱，目前需要通过手工逐个对文章进行分门别类

2、使用autotags插件，但该插件对英文的支持不是很到位，出现标签如：c、cgf、ato等无意义字符

需求：

通过xmlrpc：

（1）获取当前文章的分类、ID、标题等信息

（2）通过jieba分词获取标题（最好是文章内容）中词频高的文字，作为新的标签

（3）获取文章内容时，需要格式化HTML，即清除HTML格式，否则高词频将可能为div、style等文字；

该处可能使用bs4、正则替换方式处理

（4）通过xmlrpc接口，变更当前文章的分类

（5）通过接口，替换当前文章的标签（判断：仅限草稿箱文章）

（6）通过接口，删除不需要的文章

（7）实现自动提示功能，循环处理草稿箱文章

难点：

（1）处理词频的结果不尽人意

参考：

thulac 、jieba、PKUSeg、jieba_fast

https://www.oschina.net/project/tag/264/segment?sort=view&lang=25&os=0

分词测试：

——————————————————-

分词：jieba  PKUSeg 测试：

词条：工信处女干事

pkuseg结果：

jieba结果：

词条：李立通向人大常委会提交书面报告

pkuseg结果：

jieba结果：

词条：周杰伦是歌手，不是大煞笔

pkuseg結果：

jieba结果：