PythonでN単語の後のHTMLを分割する

StackOverflow https://stackoverflow.com/questions/360036

  •  21-08-2019
  •  | 
  •  

質問

HTML の長い文字列を N 単語の後に分割する方法はありますか?明らかに次のものを使用できます:

' '.join(foo.split(' ')[:n])

プレーンテキスト文字列の最初の n ワードを取得しますが、HTML タグの途中で分割される可能性があり、開かれたタグが閉じられないため、有効な HTML が生成されません。

これを zope/plone サイトで行う必要があります。これらの製品に標準でそれを実行できるものがあれば、それが理想的です。

たとえば、次のテキストがあるとします。

<p>This is some text with a 
  <a href="http://www.example.com/" title="Example link">
     bit of linked text in it
  </a>.
</p>

そして、5単語の後に分割するように依頼すると、次のように返されるはずです。

<p>This is some text with</p>

7つの単語:

<p>This is some text with a 
  <a href="http://www.example.com/" title="Example link">
     bit
  </a>
</p>
役に立ちましたか？

解決

を見てください。 truncate_html_words django.utils.text の関数。Django を使用していない場合でも、そこにあるコードはまさに必要なことを実行します。

他のヒント

それを聞いたことがあります 美しいスープ HTMLの解析が非常に得意です。おそらく、正しい HTML を取得するのに役立つでしょう。

ベースについて言及するつもりだった HTMLパーサー それは Python で構築されています。到達しようとしている最終結果が何であるかはわかりませんが、そこに到達するかどうかはわかりません。主にハンドラーを使用して作業します。

正規表現、BeautifulSoup、または Tidy を組み合わせて使用​​できます (私は BeautifulSoup を好みます)。考え方は簡単です。最初にすべての HTML タグを削除します。n 番目の単語 (ここでは n=7) を検索し、文字列内で n 番目の単語が出現する回数を n 単語まで調べます。なぜなら、切り捨てに使用される最後の単語だけを探しているからです。

これはコードの一部です。少し面倒ですが、機能します

import re
from BeautifulSoup import BeautifulSoup
import tidy

def remove_html_tags(data):
    p = re.compile(r'<.*?>')
    return p.sub('', data)

input_string='<p>This is some text with a <a href="http://www.example.com/" '\
    'title="Example link">bit of linked text in it</a></p>'

s=remove_html_tags(input_string).split(' ')[:7]

###required to ensure that only the last occurrence of the nth word is                                                                                      
#  taken into account for truncating.                                                                                                                       
#  coz if the nth word could be 'a'/'and'/'is'....etc                                                                                                       
#  which may occur multiple times within n words                                                                                                            
temp=input_string
k=s.count(s[-1])
i=1
j=0
while i<=k:
    j+=temp.find(s[-1])
    temp=temp[j+len(s[-1]):]
    i+=1
####                                                                                                                                                        
output_string=input_string[:j+len(s[-1])]

print "\nBeautifulSoup\n", BeautifulSoup(output_string)
print "\nTidy\n", tidy.parseString(output_string)

出力はあなたが望むものです

BeautifulSoup
<p>This is some text with a <a href="http://www.example.com/" title="Example link">bit</a></p>

Tidy
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 3.2//EN">
<html>
<head>
<meta name="generator" content=
"HTML Tidy for Linux/x86 (vers 6 November 2007), see www.w3.org">
<title></title>
</head>
<body>
<p>This is some text with a <a href="http://www.example.com/"
title="Example link">bit</a></p>
</body>
</html>

お役に立てれば

編集： より良い正規表現 

`p = re.compile(r'<[^<]*?>')`
ライセンス： CC-BY-SA と 帰属
所属していません StackOverflow
scroll top