如何打开多个 .html 文件并使用 Python (pyCharm) 删除标签

Question

我目前正在用 Python 开发一个项目，我必须编写一个程序来从 HTML 文件中删除所有标签（因此只保留文本），但我需要为大约 1000 个 HTML 文件执行此操作。

这是我用于删除标签的代码：

with open('/inetpub/wwwroot/content/html/eng/0320-0130.htm') as html_file:
    source = html_file.read()
    html = HTML (html = source)



print(html.text)

&

这是打开它们多个 HTML 文件的代码：

import glob
path = '/inetpub/wwwroot/content/html/eng/*.htm'
files=glob.glob(path)
for file in files:
    f=open(file, 'r')
    print('%s' % f.readlines())
    f.close()

我不知道如何组合这些代码，也不知道这种组合需要哪些代码。 有什么建议 ？

Answer 1

也许你因为第一个中使用的with上下文而感到困惑，但是将这两个程序结合起来相当简单

import glob


def get_html_text(html_file):
    source = html_file.read()
    html = HTML(html=source)
    return html.text


path = '/inetpub/wwwroot/content/html/eng/*.htm'
files = glob.glob(path)
html_texts = []
for file in files:
    f = open(file, 'r')
    html_texts.append(get_html_text(f))
    f.close()
print(len(html_texts))
# print(html_text) # this may lay huge print to your screen if you have many files

在with环境中的所有它在你上面的程序做的是，它定义了入口和出口的行动，也就是在下进入这段代码with背景，你打开该文件，并在离开它，文件被关闭。 您不需要它，因为您已经在调用第一个程序的第二个程序中手动关闭了该文件。