Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Do not index irrelevant content of the pages

Abierto
#40 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
30/100
Tipo de issue
Nueva funcionalidad
Claridad
Necesita aclaración
Estado de actividad
Estancado
Stack tecnológico
python
Área
search

Línea de trabajo

No se nombran archivos, pruebas ni puntos de entrada. Empieza por localizar la ruta de indexación de páginas del scraper y comprobar si se utiliza el analizador HTML de libzim; después, compara las partes de las páginas que deberían excluirse entre los proyectos. Se considera terminado cuando haya una forma acordada y adecuada para el proyecto de omitir el contenido irrelevante del índice.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

enhancement

We shouldn't index some parts of the page which are not relevant:

Image

This is a hard feature since all this comes from online, and is a bit different in every project.

Note that default HTML parser from libzim (I don't recall if we use it or not) ignores everything inside <!-- htdig_noindex -->...<!-- /htdig_noindex -->

Lenguaje dominante
Python
Estrellas
9
Forks
3
Sin PR fusionados en 30 d

Guía de contribución

No hay ninguna guía de contribución indexada para este repositorio

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de openzim/devdocs

Todos los issues de openzim/devdocs

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.