Python:解析HTML以删除标记，并将文本转换应用于标记之后的所有文本
Python:解析HTML以删除标记，并将文本转换应用于标记之后的所有文本
提问于 2018-07-19 04:00:52
我正在尝试检测包含HTML标记<p><strong class="title"> </strong></p>和标记"shared" OR "amenities"中的特定单词的字符串，并将单词"shared"附加到该标记后面出现的所有逗号分隔的子字符串。有什么简单的方法可以做到这一点吗？
示例输入：
</strong></p> swimming pool, barbecue <hr /> <p><strong class="title">SHARED CLUB AMENITIES</strong></p> beach, tennis courts <hr /> <p><strong class="title">示例输出：
swimming pool, barbecue, beach shared, tennis courts shared回答 2
Stack Overflow用户
发布于 2018-07-19 04:37:29
为此，您可以使用一些不同的库，常见的选择是Beautiful Soup或lxml。我更喜欢lxml，因为大多数语言都有类似于regex的实现，所以我感觉可以从投资中获得更多收益。
from lxml import html
stuff = '</strong></p> swimming pool, barbecue <hr /> <p><strong class="title">SHARED CLUB AMENITIES</strong></p> beach, tennis courts <hr /> <p><strong class="title">'
stuff = html.fromstring(stuff)
ptag = stuff.xpath('//p/*[contains(text(),"AMENITIES") or contains(text(), "SHARED")]//text()')
print(ptag)Stack Overflow用户
发布于 2018-07-19 05:21:05
我使用下面的代码让它正常工作。欢迎提出任何意见和建议！
from bs4 import BeautifulSoup
html_to_parse = '</strong></p> swimming pool, barbecue <hr /> <p><strong class="title">SHARED CLUB AMENITIES</strong></p> beach, tennis courts <hr /> <p><strong class="title">'
soup = BeautifulSoup(html_to_parse)
html_body = soup('body')[0]
shared_indicator = html_body.find('strong', 'title').get_text()
non_shared_amenities = html_to_parse.split(shared_indicator,1)[0]
non_shared_amenities = (BeautifulSoup(non_shared_amenities, 'html.parser')
.get_text()
.strip()
)
shared_amenities = html_to_parse.split(shared_indicator,1)[1]
shared_amenities_array = (pd.Series(BeautifulSoup(shared_amenities, 'html.parser')
.get_text()
.split(','))
.replace("[^A-Za-z0-9'`]+", " ", regex = True)
.str.strip()
.apply(lambda x: "{}{}".format(x, ' shared'))
)
shared_amenities_tagged = ", ".join(shared_amenities_array)
non_shared_amenities + ', ' + shared_amenities_tagged页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/51410127
复制相关文章
相似问题