使用python清理HTML

Question

我有以下代碼，但是我收到錯誤。 我正在嘗試從Tag1和Tag2之間的html文件中獲取文本，而沒有for循環，代碼正在工作（對於一個文件），但是在目錄中循環時卻沒有

from bs4 import BeautifulSoup
from urllib import urlopen
import os
import bleach
import re
rootdir = mydirectory
for subdir, dirs, files in os.walk(rootdir):
    for file in files:
        url = file
        print url
        raw = urlopen(url).read()
        type(raw)
        Tag1 = raw.find("""<div class="song-text">""")
        Tag2 = raw.rfind("""<div style="text-align:center;padding-bottom:10px;">""")
        Cleaned = raw[Tag1+23:Tag2]
        print Cleaned

錯誤消息：追溯（最近一次呼叫最近）：文件“ TestClean.py”，行12，原始= urlopen（url）.read（）文件“ /usr/lib/python2.7/urllib.py”，行87 ，在urlopen中返回opener.open（url）文件“ /usr/lib/python2.7/urllib.py”，第208行，在open中返回getattr（self，name）（url）文件“ / usr / lib / python2。 7 / urllib.py“，第463行，在open_file中返回self.open_local_file（url）文件，” / usr / lib / python2.7 / urllib.py“，第477行，在open_local_file中，引發IOError（e.errno，e.strerror ，例如e.filename）IOError：[Errno 2]沒有這樣的文件或目錄：'paroles-a-beautiful-lie.html'

Answer 1

錯誤消息表明缺少文件。 os.walk僅返回文件名，而不返回文件的完整路徑。 1）取path = os.path.join(subdir, file) 2）讀取文件open(path).read()而不使用urlopen

Answer 2

從Traceback很清楚，它無法找到“ paroles-a-beautiful-lie.html”文件。 我建議你一步一步走。

1. 注釋“打印網址”下面的代碼。
2. 檢查您是否獲得正確的URL。
3. 然后繼續下一步-查找過程。