将列表转换为字符串，同时保持逐字逐句

Question

沮丧地说我对这个感到难过。我正在从段落中提取文字：

    paragraphs = re.findall(r'(<p(.*?)</p>)', html)

然后我想废弃标签，并逐字逐句地保留段落文字：

    paragraphs = re.sub(r'\<.*?\>', '', paragraphs)

问题是Python需要一个字符串。如果我理解正确，我必须先将“段落”变成字符串。但是，当我这样做时：

    paragraphs = str(paragraphs)

......我逐字逐句地收到文字，这些文字被分开了。好吧，我是Python的新手，这让我很困惑。

第一个问题：为什么“段落”不是一个字符串开头？

第二个问题：如何将“paragraph”转换为字符串，逐字逐句地保留，例如：

    paragraph = ['Two', 'words']

Answer 1

re.findall()会返回匹配的列表。您需要re.search()代替。

更好的选择是使用 HTML Parser ，例如BeautifulSoup：

>>> from bs4 import BeautifulSoup
>>> 
>>> data = '<p>some text here</p>'
>>> soup = BeautifulSoup(data, "html.parser")
>>> soup.p.get_text().split()
[u'some', u'text', u'here']