Разделить HTML после N слов в Python
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>
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'<[^<]*?>')`