如何在 Python 中的標簽之間提取內容？
[英]How to extract content in between tags in Python?
問題描述
我有一個大約 50 萬行的文本文件，其中包含相當隨機的 HTML 語法。 文件的大致結構如下：
content <title> title1 </title> more words
title contents2 title more words <body> <title> title2 </title>
<body><title>title3</title></body>
我想提取標簽之間的所有內容。
title1
title2
title3
這是我迄今為止嘗試過的：
content_list = []
with open('C://Users//HOME//Desktop//Document_S//corpus_test//00.txt', errors = 'ignore') as openfile2:
for line in openfile2:
for item in line.split("<title>"):
if "</title>" in item:
content = (item [ item.find("<title>")+len("<title>") : ])
content_list.append(content)
但是這種方法不是檢索所有標簽。 我認為這可能是由於標簽與其他單詞相連，沒有空格。 IE。 <body><title> 。
我已經考慮用空格替換每個 '<' 和 '>' 並執行相同的方法，但如果我這樣做，我會得到“contents2”作為輸出。
3 個解決方案
解決方案1
1 2020-02-07 01:45:28
我相信你可以用BeautifulSoup做到這一點。
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('file_to_read.txt', 'r'), 'html.parser')
print(soup.find_all('title'))
# [<title> title1 </title>, <title> title2 </title>, <title>title3</title>]
print(soup.find_all('title')[0].text)
# ' title1 '
解決方案2
0 2020-02-07 01:51:39
您的代碼語法示例：
with open('file.txt', 'r') as file:
for line in file:
for item in line.split('<title>'):
if '</title>' in item:
content_list.append(str.strip(item.split('</title>')[0]))
print(content_list)
但無論如何， BeautifulSoup對我來說是最好的選擇。
解決方案3
0 2020-02-07 01:54:39
嘗試運行：
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('C://Users//HOME//Desktop//Document_S//corpus_test//00.txt', 'r'), 'html.parser')
content_list = []
contents = soup.find_all('title')
for content in content:
print(content.get_text().strip())
content_list.append(content.get_text().strip())
（python）sgmlparser以及如何在標記之間提取數據，而不是屬性/值
[英](python) sgmlparser and how to extract data between tags, not attributes/values
如何在python中使用beautifulsoup提取標簽之間的文本
[英]how to extract text between tags using beautifulsoup in python
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.