Question

我有一个半结构化的.txt文件。该文件如下所示：

<tags>
    blabla<text>
              I want this
         </text>
    blabla<text>
               And this
           </text>
        bla<text>
                 and this
            </text>blabla
</tags>

我想在<text>标签内获取文字。我已经设法使用字符串分区和替换，但我不认为它非常有效或漂亮。

这是我的代码：

with open('collection.txt') as f:
 read_data = f.read()

text1 = read_data.partition("<text>")[2].partition("</text>")[0]
temp1 = read_data.replace(text1,'').replace('<text>','',1).replace('</text>','',1)
text2 = temp1.partition("<text>")[2].partition("</text>")[0]
temp2 = read_data.replace(text2,'').replace('<text>','',2).replace('</text>','',2)
text3 = temp2.partition("<text>")[2].partition("</text>")[0]

BeautifulSoup，元素树和其他XML解析器都不起作用。有关如何改进我的代码的任何建议？我试过编译正则表达式，但无济于事。

Answer 1

使用XML解析器，例如xml.etree（live demo）：

import xml.etree.ElementTree as ET
doc = ET.parse('collection.txt')
print([el.text.strip() for el in doc.findall('.//text')])
# output: ['I want this', 'And this', 'and this']

Answer 2

正则表达式是你最好的朋友！

import re

p = re.compile(r'<text>([^</]*)</text>')
result = p.findall(data_txt)
result = [x.strip() for x in result]
print(result)

Answer 3

您可以按如下方式使用BeautifulSoup来获取所有文本条目：

from bs4 import BeautifulSoup

with open('collection.txt') as f:
    read_data = f.read()

soup = BeautifulSoup(read_data, 'xml')

for text in soup.find_all('text'):
    print(text.get_text(strip=True))

给你：

I want this
And this
and this

你绝对应该避免尝试使用正则表达式来进行这种解析，因为对于更复杂的例子，它会很快失败，例如如果在数据中间使用了等评论，则应忽略该评论。

Answer 4

re.findall('<text>\s*.*\s*</text>', data)

此

的另一种解决方案

标签python中的部分文本

4 个答案: