Разделить HTML после N слов в Python
Есть ли способ разбить длинную строку HTML после N слов? Очевидно, я мог бы использовать:
' '.join(foo.split(' ')[:n])
чтобы получить первые n слов простой текстовой строки, но это может быть разделено в середине тега html и не приведет к созданию действительного html, потому что не закроет открытые теги.
Мне нужно сделать это на сайте zope / plone - если в этих продуктах есть что-то стандартное, что может 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 прошу разбить через 5 слов, должно получиться:
<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>
Вы хотите разделить текст документа, инкапсулированный между тегами (например, между тегами <p> и </p>)?
Ответы 4
Я слышал, что Красивый суп очень хорошо разбирается в HTML. Вероятно, это поможет вам получить правильный HTML-код.
Я собирался упомянуть базовый HTMLParser, который построен на Python, так как я не уверен, к какому конечному результату вы пытаетесь добраться, он может или не может привести вас к этому, вы в первую очередь будете работать с обработчиками
Взгляните на функцию truncate_html_words в django.utils.text. Даже если вы не используете Django, код там делает именно то, что вам нужно.
Вы можете использовать сочетание регулярных выражений, BeautifulSoup или Tidy (я предпочитаю BeautifulSoup). Идея проста - сначала удалите все теги HTML. Найдите n-е слово (здесь n = 7), найдите, сколько раз n-е слово появляется в строке до n слов - потому что u ищет только последнее вхождение, которое будет использоваться для усечения.
Вот фрагмент кода, хоть и немного запутанный, но работающий.
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 ты хочешь
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'<[^<]*?>')`
Есть ли причина, по которой вы пишете свою собственную функцию для удаления тегов HTML, а не используете метод soup.get_text () в Beauitful Soup?
Вы хотите игнорировать теги, чтобы они не разделялись? Другими словами, получить и разбить только текст, которого нет в теге.