7

N ワードの後に​​ HTML の長い文字列を分割する方法はありますか? 明らかに私は使用できます：

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

プレーンテキスト文字列の最初の n 個の単語を取得しますが、それは html タグの途中で分割される可能性があり、開かれたタグを閉じないため、有効な html を生成しません。

Zope / ploneサイトでこれを行う必要があります.それを行うことができる製品に標準として何かがあれば、それは理想的です.

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 つの単語の後に分割するように依頼すると、次のように返されます。

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

7 単語:

<p>This is some text with a 
  <a href="http://www.example.com/" title="Example link">
     bit
  </a>
</p>
4

4 に答える 4

6

django.utils.textのtruncate_html_words関数を見てください。Django を使用していない場合でも、そこにあるコードは目的どおりに機能します。

于 2008-12-11T18:03:44.803 に答える
3

Beautiful Soupは html の解析が得意だと聞いたことがあります。おそらく、正しいhtmlを取得するのに役立つでしょう。

于 2008-12-11T16:58:58.243 に答える
0

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)。アイデアは単純です。最初にすべての HTML タグを取り除きます。n 番目の単語 (ここでは n=7) を見つけ、n 番目の単語が文字列に出現する回数を n 単語まで見つけます。

これはコードの一部ですが、少し面倒ですが動作します

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'<[^<]*?>')`
于 2008-12-11T18:24:11.800 に答える
0

Pythonに組み込まれているベースHTMLParserに言及するつもりでした。

于 2008-12-11T17:07:16.230 に答える