1

Python では、この HTML コードでラオス文字のみを表示したいと思います (「textarea」タグのみ)。

<font color="Red">ພິມຄໍາສັບລາວ ຫຼື ອັງກິດແລ້ວກົດປຸ່ມຄົ້ນຫາ - Enter English or Lao Then Hit Search</font><br />
<center><table id='display' border='0' width='100%'>
  <tr>
    <td id='lao2' colspan='3' style='height: 18px; text-align: left'>
      <span style='color: #660033'><span style='font-size: 12pt'>&nbsp;&nbsp;&nbsp;</span></span>&nbsp;&nbsp;
    </td>
  </tr>
  <tr>
    <td style='width: 120px'>&nbsp;</td>
    <td style='width: 192px'>
      <textarea ID='lao' Font-Name='Phetsarath OT' Font-Size='12' rows='10' cols='84' readonly='readonly'>
    1.  (loved, loving)
      1. ຮັກ
      2. ມັກຫຼາຍ
      3. would love ຢາກໄດ້ຫຼາຍ, ຢາກເຮັດຫຼາຍ
      ປະເພດ: ຄໍາກໍາມະ
      ການອອກສຽງ: ເລັຟ

    2.
      1. ຄວາມຮັກ
      2. ຄົນຮັກ, ຄູ່ຮັກ, ສິ່ງທີ່ເຈົ້າຮັກ
      3. ທີ່ຮັກ, (ເທັນນິດ) ສູນ
      be in love with ຮັກຜູ້ໃດຜູ້ໜຶ່ງ
      make love ຮ່ວມປະເວນີ
      ປະເພດ: ຄຳນາມ
      ການອອກສຽງ: ເລັຟ
      </textarea>
    </td>
    <td style='width: 284px'>&nbsp;&nbsp;</td>
  </tr>
  <tr>
    <td>&nbsp;</td>
    <td>&nbsp;</td>
    <td>&nbsp;</td>
  </tr>
  <tr>
    <td>&nbsp;</td>
    <td id='lao1' align='center'>ກະຊວງ ໄປສະນີ, ໂທລະຄົມມະນາຄົມ ແລະ ການສື່ສານ&lt;/td><td>&nbsp;</td>
  </tr>
  <tr>
    <td>&nbsp;</td>
    <td id='lao1' align='center'>ສູນບໍລິຫາລັດດ້ວຍເອເລັກໂຕຣນິກ&lt;/td><td>&nbsp;</td>
  </tr>
</table></center><br />

「テキストエリア」の値が欲しいだけです。私は何をすべきか？

4

1 に答える 1

4

正規表現を使用しないでください。HTML パーサーを使用します。BeautifulSoupはタスクを簡単にします。

from bs4 import BeautifulSoup

soup = BeautifulSoup(htmltext)
text = soup.find('textarea', id='lao').string

結果をラオス文字だけに制限する必要がある場合は、text変数をさらに処理できます。

ただし、Unicode に関しては、Pythonreモジュールは (まだ) それほど強力ではありません。オプションは、正規表現を使用して 0E80 ～ 0EFF の範囲のコード ポイントを取得するか、unicodedataモジュールを使用して Unicode コードポイント名でフィルター処理するか、regexライブラリを使用してラオス文字のみに一致させるかです。

  • 正規表現の使用:

    import re

lao_codepoints = re.compile(ur'[\u0e80-\u0eff]', re.UNICODE)
lao_text = u''.join(lao_codepoints.findall(text))

    デモ：

    >>> print u''.join(lao_codepoints.findall(text))
ຮັກມັກຫຼາຍຢາກໄດ້ຫຼາຍຢາກເຮັດຫຼາຍປະເພດຄໍາກໍາມະການອອກສຽງເລັຟຄວາມຮັກຄົນຮັກຄູ່ຮັກສິ່ງທີ່ເຈົ້າຮັກທີ່ຮັກເທັນນິດສູນຮັກຜູ້ໃດຜູ້ໜຶ່ງຮ່ວມປະເວນີປະເພດຄຳນາມການອອກສຽງເລັຟ

  • unicodedataモジュールの使用:

    import unicodedata

loa_text = u''.join([ch for ch in text if unicodedata.name(ch, '').startswith('LAO')])

    デモ：

    >>> print u''.join([ch for ch in text if unicodedata.name(ch, '').startswith('LAO')])
ຮັກມັກຫຼາຍຢາກໄດ້ຫຼາຍຢາກເຮັດຫຼາຍປະເພດຄໍາກໍາມະການອອກສຽງເລັຟຄວາມຮັກຄົນຮັກຄູ່ຮັກສິ່ງທີ່ເຈົ້າຮັກທີ່ຮັກເທັນນິດສູນຮັກຜູ້ໃດຜູ້ໜຶ່ງຮ່ວມປະເວນີປະເພດຄຳນາມການອອກສຽງເລັຟ

  • regexモジュールの使用:

    import regex

lao_codepoints = regex.compile(ur'\p{Lao}', regex.UNICODE)
lao_text = u''.join(lao_codepoints.findall(text))

    デモ：

    >>> print u''.join(lao_codepoints.findall(text))
ຮັກມັກຫຼາຍຢາກໄດ້ຫຼາຍຢາກເຮັດຫຼາຍປະເພດຄໍາກໍາມະການອອກສຽງເລັຟຄວາມຮັກຄົນຮັກຄູ່ຮັກສິ່ງທີ່ເຈົ້າຮັກທີ່ຮັກເທັນນິດສູນຮັກຜູ້ໃດຜູ້ໜຶ່ງຮ່ວມປະເວນີປະເພດຄຳນາມການອອກສຽງເລັຟ
于 2013-05-09T13:53:38.750 に答える