Разделить HTML после N слов в Python

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

  •  21-08-2019
  •  | 
  •  

Вопрос

Есть ли способ разделить длинную строку HTML после N слов?Очевидно, я мог бы использовать:

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

чтобы получить первые n слов простой текстовой строки, но она может разбиться в середине тега html и не создаст действительный html, поскольку не закроет открытые теги.

Мне нужно сделать это на сайте zope/plone — если в тех продуктах есть что-то стандартное, способное это сделать, это было бы идеально.

Например, скажем, у меня есть текст:

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

И я прошу его разбить после 5 слов, должно вернуться:

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

7 слов:

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

Решение

Взгляните на truncate_html_words функция в django.utils.text.Даже если вы не используете Django, код делает именно то, что вам нужно.

Другие советы

я это слышал Красивый суп очень хорошо разбирает html.Вероятно, он сможет помочь вам получить правильный HTML.

Я хотел упомянуть базу HTMLПарсер это встроено в Python, поскольку я не уверен, каков конечный результат, которого вы пытаетесь достичь, это может привести или не привести вас к этому, вы будете работать в первую очередь с обработчиками

Вы можете использовать смесь регулярных выражений, BeautifulSoup или Tidy (я предпочитаю BeautifulSoup).Идея проста: сначала удалите все HTML-теги.Найдите n-е слово (здесь n = 7), найдите, сколько раз n-е слово появляется в строке до n слов - потому что вы ищете только последнее вхождение, которое будет использоваться для усечения.

Вот кусок кода, хоть и немного сумбурный, но работает

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)

Результат - это то, что вы хотите

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>

Надеюсь это поможет

Редактировать: Лучшее регулярное выражение 

`p = re.compile(r'<[^<]*?>')`
Лицензировано под: CC-BY-SA с атрибуция
Не связан с StackOverflow
scroll top