大家好，我是木木。
今天给大家分享一个轻巧的 Python 库，sumy。
sumy
有些长文不是不能读，而是读之前需要一个“先看两句”的入口。sumy 做的就是自动摘要：从普通文本或 HTML 页面里抽取关键句子，帮你快速得到一段更短的摘要。
它不是大模型摘要，而是经典 NLP 路线，内置 LSA、LexRank、TextRank 等算法。好处是轻量、可离线、成本低；适合给爬取内容、资料预览、文章列表和内部文档先做一层快速压缩。
项目地址：https://github.com/miso-belica/sumy
官方文档：https://miso-belica.github.io/sumy/
三大特点
算法经典
内置 LSA、LexRank、TextRank、Luhn 等摘要算法，不依赖大模型也能做抽取式摘要。
输入灵活
既可以处理纯文本，也支持 HTML 页面摘要，适合接在爬虫、内容抽取或文档处理流程后面。
成本很低
不需要调用外部 LLM，适合批量跑、离线跑，或者作为大模型摘要前的一层预处理。
最佳实践
安装方式：python -m pip install sumy==0.12.0
第一次使用英文分句时，需要准备 NLTK 的 punkt 和 punkt_tab 数据。本文 Demo 已把数据放在 skill 的 data/nltk_data 下，不放 C 盘；你自己环境里可以用 python -m nltk.downloader punkt punkt_tab 准备。
功能一：用 LSA 做纯文本摘要
这段代码解决什么问题：把一段长文本解析成文档，再用 LSA 摘要器抽取 2 个句子。它适合做文章预览、列表摘要或搜索结果摘要。
importwarningswarnings.filterwarnings('ignore')fromsumy.parsers.plaintextimportPlaintextParserfromsumy.nlp.tokenizersimportTokenizerfromsumy.nlp.stemmersimportStemmerfromsumy.summarizers.lsaimportLsaSummarizerfromsumy.utilsimportget_stop_wordstext='''Python helps teams build data pipelines and web services. Sumy can summarize long documents with classic NLP algorithms. It supports several summarizers such as LSA, LexRank and TextRank. A concise summary helps readers decide what to read first.'''parser=PlaintextParser.from_string(text,Tokenizer('english'))summarizer=LsaSummarizer(Stemmer('english'))summarizer.stop_words=get_stop_words('english')sentences=list(summarizer(parser.document,2))print('sentences:',len(parser.document.sentences))print('summary count:',len(sentences))foriteminsentences:print('-',item)
抽取式摘要的特点是“从原文里选句子”，不会像大模型那样改写表达。优点是稳定、可追溯，缺点是读起来可能没有生成式摘要那么顺。
功能二：比较不同摘要算法
这段代码解决什么问题：同一篇文本可以用不同算法抽取摘要。LSA 更偏矩阵分解，LexRank/TextRank 更偏图排序，实际效果要结合语料测试。
importwarningswarnings.filterwarnings('ignore')fromsumy.parsers.plaintextimportPlaintextParserfromsumy.nlp.tokenizersimportTokenizerfromsumy.nlp.stemmersimportStemmerfromsumy.summarizers.lsaimportLsaSummarizerfromsumy.summarizers.lex_rankimportLexRankSummarizerfromsumy.summarizers.text_rankimportTextRankSummarizerfromsumy.utilsimportget_stop_wordstext='''Search engines crawl many pages every day. Developers often need short summaries before reading full documents. Extractive summarizers select useful sentences from the original text. Sumy offers several algorithms for this kind of task.'''parser=PlaintextParser.from_string(text,Tokenizer('english'))stemmer=Stemmer('english')forclsin[LsaSummarizer,LexRankSummarizer,TextRankSummarizer]:summarizer=cls(stemmer)ifclsisnotLexRankSummarizerelsecls()summarizer.stop_words=get_stop_words('english')result=list(summarizer(parser.document,1))print(cls.__name__,'->',result[0])
不要只凭一个例子判断算法好坏。真实项目里最好准备一组代表性文档，看看每种算法对新闻、教程、评论、会议纪要的表现。
环境与版本信息
- Demo 环境：Windows 11，Python 3.11
- 关键依赖版本：
nltk 3.9.4、lxml 5.4.0、pycountry 26.2.16 - 项目最近一次提交时间：
2026-03-31T08:47:05+02:00 - 说明：当前环境中 HTML 解析依赖的旧包需要额外留意兼容性，生产环境建议先固定依赖并跑一次完整测试
高级功能
这段代码解决什么问题：摘要长度通常要跟产品位置绑定。列表页可能只要 1 句，详情页顶部可以放 2 到 3 句，sumy 可以直接控制抽取句子数量。
importwarningswarnings.filterwarnings('ignore')fromsumy.parsers.plaintextimportPlaintextParserfromsumy.nlp.tokenizersimportTokenizerfromsumy.summarizers.lex_rankimportLexRankSummarizerfromsumy.utilsimportget_stop_wordstext='''A long article can contain background, examples, arguments and conclusions. A two sentence summary is useful for quick reading. A one sentence summary is better for lists and previews. The right length depends on the product surface.'''parser=PlaintextParser.from_string(text,Tokenizer('english'))summarizer=LexRankSummarizer()summarizer.stop_words=get_stop_words('english')forcountin[1,2]:summary=list(summarizer(parser.document,count))print('length',count,'=>',len(summary),'sentence(s)')print('first:',summary[0])
摘要长度不是越短越好。太短可能丢掉关键信息，太长又失去“摘要”的意义。建议按页面位置和读者任务来定。
适用场景
- 你要给长文、网页正文、搜索结果或资料列表生成简短预览
不适用场景
- 你需要改写、润色或生成更自然的摘要，而不只是抽取原句
- 文档结构非常复杂，摘要需要理解表格、图片或跨段推理
- 中文、多语言或领域文本没有经过分词、停用词和效果测试
上线检查
- 准备好 NLTK 分句数据，并把数据目录固定在可部署的位置。
- 针对你的语料比较 LSA、LexRank、TextRank 等算法效果。
总结
sumy 是一个轻量、低成本的自动摘要库。它不追求像大模型那样重写内容，而是用经典算法从原文里挑出关键句。对于网页抓取、长文预览和批量内容处理，它是一个很实用的工具。
