python中N个单词后拆分HTML_Python_Html_Plone_Zope

python中N个单词后拆分HTML

python html plone

python中N个单词后拆分HTML,python,html,plone,zope,Python,Html,Plone,Zope,有没有办法在N个单词后拆分一个长字符串的HTML？显然，我可以使用： ' '.join(foo.split(' ')[:n]) 获取纯文本字符串的第一个n个字，但是它可能在HTML标记中间分裂，并且不会生成有效的HTML，因为它不会关闭已打开的标签。我需要在zope/plone网站上做这件事——如果这些产品中有标准的东西可以做到这一点，那将是理想的例如，假设我有文本： <p>This is some text with a <a href="http://www.e

有没有办法在N个单词后拆分一个长字符串的HTML？显然，我可以使用：

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

获取纯文本字符串的第一个n个字，但是它可能在HTML标记中间分裂，并且不会生成有效的HTML，因为它不会关闭已打开的标签。我需要在zope/plone网站上做这件事——如果这些产品中有标准的东西可以做到这一点，那将是理想的

例如，假设我有文本：

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

这是一些带有
.

我要求它在5个单词后分开，它应该返回：

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

这是一些带有

7个字：

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

这是一些带有

我听说它非常擅长解析html。它可能会帮助您获得正确的html。

我要提到的是Python中构建的基础，因为我不确定您试图达到的最终结果是什么，它可能会或可能不会让您达到目标，您将主要使用处理程序。

看看django.utils.text中的函数。即使您没有使用Django，那里的代码也会完全满足您的需要。

您可以混合使用正则表达式、BeautifulSoup或Tidy（我更喜欢BeautifulSoup）。想法很简单——首先去掉所有HTML标记。查找第n个单词（此处n=7），查找第n个单词在字符串中出现的次数，直到n个单词-因为u只查找最后一个用于截断的单词

下面是一段代码，虽然有点凌乱，但可以正常工作

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)

重新导入
从BeautifulSoup导入BeautifulSoup
进口整洁
def删除html标签（数据）：
p=重新编译（r“”）
返回p.sub（“”，数据）
input_string='这是一些带有的文本
s=删除html标签（输入字符串）。拆分（“”）[:7]
###需要确保只保留第n个单词的最后一次出现
#考虑到截断。
#因为如果第n个单词可以是“a”和“/”是“…”等等
#在n个单词内可能出现多次
temp=输入字符串
k=s.计数（s[-1]）
i=1
j=0
而我想你想忽略标签，这样他们就不会被分割？换句话说，只获取和拆分标记中不包含的文本。您是否希望拆分封装在标记之间的文档文本（例如，在和标记之间）？您为什么编写自己的函数来删除HTML标记而不使用Beautiful Soup的方法？
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>

`p = re.compile(r'<[^<]*?>')`