从“伪”HTML 中提取文本

Question

我正在尝试将制造执行系统 (MES) SQL 数据库中的工作订单重建为.pdf 表格，以便可以批量打印它们 - 而不是一次打印一个（一次一个是 MES 允许的唯一方式为了）。

当涉及到包含链接等的工作说明时，我被卡住了（伪 html ......不知道还能叫什么）。 我对所需数据运行 SQL 查询并将其放入 Pandas dataframe 中。 以下是 dataframe 中“文本”栏（工作说明）的示例：

 "DWG/TECH DATA: ALL TASK WITHIN THIS WORK ORDER ARE TO BE ACCOMPLISHED IAW: <#Tab><UT=""LinkInvoke(Slide(OBJECT_ID=OBJECTID,@GlyphName=@InlineText,@Classification=General,@RenderDescText=True,'@Desc=| Description: PANEL, |',@Caption=DWG 123456-123,REF_ID=REFID))""><#Tab> MOA DWG: <#Tab><UT=""LinkInvoke(Slide(OBJECT_ID=OBJECT ID,@GlyphName=@InlineText,@Classification=General,@RenderDescText=True,'@Desc=| Description: FACEPLATES |',@Caption=DWG 98765 Plate,REF_ID=REFID))""> <#Tab><UT=""LinkInvoke(Slide(OBJECT_ID=OBJID,@GlyphName=@InlineText,@Classification=General,@RenderDescText=True,'@Desc=| Description: ARTWORK |',@Caption=DWG 9999-8888 ARTWORK,REF_ID=REFID))""><#Tab>"

我试图返回的数据应该是这样的：

DWG/技术数据：本工单中的所有任务都将完成 IAW：

DWG 123456-123

恐鸟 DWG：

DWG 98765 板
DWG 9999-8888 艺术品

那里的信息往往会插入很多复制粘贴； 所以发现模式对我的正则表达式技能来说太难了。 本质上，我认为如果“<”和“>”之间的所有内容都被删除，就会发生这种情况——除非它在“@Caption=”和“，”之间。

我还尝试使用 beautifulsoup 提取文本，但标题从未出现。

任何建议或帮助将不胜感激。

Answer 1

使用字符串操作（不是正则表达式），可以按照以下方式进行操作：

work = '''DWG/TECH DATA: ALL TASK WITHIN THIS WORK ORDER ARE TO BE ACCOMPLISHED IAW:
<#Tab><UT=""LinkInvoke(Slide(OBJECT_ID=OBJECTID,@GlyphName=@InlineText,@Classification=General,@RenderDescText=True,'@Desc=| Description: PANEL, |',@Caption=DWG 123456-123 ,REF_ID=REFID))""><#Tab>
MOA DWG:
<#Tab><UT=""LinkInvoke(Slide(OBJECT_ID=OBJECT ID,@GlyphName=@InlineText,@Classification=General,@RenderDescText=True,'@Desc=| Description: FACEPLATES |',@Caption=DWG 98765 Plate,REF_ID=REFID))"">
<#Tab><UT=""LinkInvoke(Slide(OBJECT_ID=OBJID,@GlyphName=@InlineText,@Classification=General,@RenderDescText=True,'@Desc=| Description: ARTWORK |',@Caption=DWG 9999-8888 ARTWORK ,REF_ID=REFID))""><#Tab>"
'''

work_dat = work.splitlines()
for line in work_dat:
    line_lst = line.split('|')
    step_1 = [item  if "@Caption=" in item else line_lst for item in line_lst][0]
    step_2 = [item if len(step_1)==1 else step_1[2] for item in step_1]
    if len(step_2)>1:
        print(step_2[1].split('=')[1].split(',')[0].strip())
    else:
        print(step_2[0])

Output：

DWG/TECH DATA: ALL TASK WITHIN THIS WORK ORDER ARE TO BE ACCOMPLISHED IAW:
DWG 123456-123
MOA DWG:
DWG 98765 Plate
DWG 9999-8888 ARTWORK