解析“quoted-printable”编码文本

时间:2017-08-23 14:45:01

标签: python parsing quoted-printable

我有一些用quoted-printable编码的文本,其中使用=符号进行软分解。我正在寻找解析(不解码)这个文本。有什么方法可以阅读以下内容,

<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos

这样:

8/23/2017-        Lorem ipsum dolor sit amet, fastidii sad.Vim graece    tractatos

2 个答案:

答案 0 :(得分:0)

似乎这对re模块应该足够简单(这是未经测试的,并且来自内存:

import re

test_str = """<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos"""

re.sub(r'=$', r'\n', test_str, flags=re.MULTILINE)

但是因为你要求解析它。你想要检索什么?解析通常意味着您将提取结构化数据,因此您的输入应该根据某些语法(似乎是这样):

  • 第一个字段是日期(以某种格式)
  • 第二个字段是一条消息
  • 第三个字段(看起来像是第三个字段):category

编辑:

最简单的形式:

import quopri
from HTMLParser import HTMLParser

test_str = """<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos"""

h = HTMLParser()
print h.unescape(quopri.decodestring(test_str))

答案 1 :(得分:0)

解析器可能对这个问题有点过分,但是pyparsing是一个简单的解析库来处理一些棘手的规则。此外,它还附带了一些内置的HTML标记表达式:

import pyparsing as pp

sample = """\
<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos"""

# strip all trailing '='
sample = sample.replace("=\n", "")

# convert =XX to char(int(XX)), like =3D -> '='
hex_escape = pp.Regex(r'=[0-9a-fA-F]{2}')
hex_escape.setParseAction(lambda t: chr(int(t[0][1:], 16)))
sample = hex_escape.transformString(sample)

# convert HTML entities like &nbsp; and suppress all opening and closing HTML tags
pp.commonHTMLEntity.setParseAction(pp.replaceHTMLEntity)
stripper = pp.anyOpenTag.suppress() | pp.anyCloseTag.suppress() | pp.commonHTMLEntity

使用剥离器转换输入字符串:

stripped = stripper.transformString(sample)
print(stripped)

打印

8/23/2017-  Lorem ipsum dolor sit amet, fastidii sad.Vim graece  tractatos