在Python中合并具有相同内容但重叠HTML标记的多个字符串

标题本身并不是一个明确的问题，因此我将提供一个示例：

我有一个字符串示例：

为客户端创建和管理网站，以安全地进行通信

它有很多“版本”。这意味着字符串“版本”中的一个单词或短语将包含在HTML div标记中，即

foo bar

。（这些标记是任意的，字体大小属性的数字对应于分数，这些分数稍后将用作其他CSS功能，而这些功能现在是不相关的。）以下是字符串的4个版本：

为客户端创建和管理网站，以安全地进行通信
为客户创建和管理网站，以便进行安全通信
为客户创建和管理网站，以便进行安全通信
为客户创建和管理网站，以便进行安全通信

我想将所有这些版本合并到以下内容中：

为客户创建和管理安全通信的网站

正如我们在这里看到的，有重叠的标记（在

font-size:2

和

font-size:1

的标记中）。字符串的版本数可能介于1到50之间，因此可能存在多个重叠

以下是到目前为止我使用正则表达式得到的结果：

重新导入
div_str=“这不是一个正确的答案

我要提到的是，用正则表达式解析HTML通常会给生活带来不必要的困难

从您作为示例提供的每一行中恢复文本很容易。我假设每一行都是更大结构的一部分；因此，我将每一行都包含在
div
中

在这里，我使用BeautifulSoup从您的每一行中获取文本

>>> for line in open('temp.htm').readlines():
...     line = line.strip()
...     print(line)
...     soup = bs4.BeautifulSoup(line, 'lxml')
...     soup.find('div').text
...     
<div>Created and <div style="font-size: 1">managed</div> websites for clients to communicate securely</div>
'Created and managed websites for clients to communicate securely'
<div>Created and <div style="font-size: 2">managed websites</div> for clients to communicate securely</div>
'Created and managed websites for clients to communicate securely'
<div>Created and managed websites for clients to <div style="font-size: 3">communicate</div> securely</div>
'Created and managed websites for clients to communicate securely'
<div><div style="font-size: 4">Created</div> and managed websites for clients to communicate securely</div>
'Created and managed websites for clients to communicate securely'

>>用于打开的行（'temp.htm'）。readlines（）：
…line=line.strip（）
…打印（行）
…soup=bs4.BeautifulSoup（行“lxml”）
…soup.find（'div'）.text
...     
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”

不幸的是，我不明白通常如何将输入行映射到输出HTML。
这不是一个正确的答案

我要提到的是，用正则表达式解析HTML通常会给生活带来不必要的困难

从您作为示例提供的每一行中恢复文本很容易。我假设每一行都是更大结构的一部分；因此，我将每一行都包含在
div
中

在这里，我使用BeautifulSoup从您的每一行中获取文本

>>> for line in open('temp.htm').readlines():
...     line = line.strip()
...     print(line)
...     soup = bs4.BeautifulSoup(line, 'lxml')
...     soup.find('div').text
...     
<div>Created and <div style="font-size: 1">managed</div> websites for clients to communicate securely</div>
'Created and managed websites for clients to communicate securely'
<div>Created and <div style="font-size: 2">managed websites</div> for clients to communicate securely</div>
'Created and managed websites for clients to communicate securely'
<div>Created and managed websites for clients to <div style="font-size: 3">communicate</div> securely</div>
'Created and managed websites for clients to communicate securely'
<div><div style="font-size: 4">Created</div> and managed websites for clients to communicate securely</div>
'Created and managed websites for clients to communicate securely'

>>用于打开的行（'temp.htm'）。readlines（）：
…line=line.strip（）
…打印（行）
…soup=bs4.BeautifulSoup（行“lxml”）
…soup.find（'div'）.text
...     
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”
为客户创建和管理网站，以便进行安全通信
“为客户端创建和管理网站，以安全地进行通信”

不幸的是，我不明白通常情况下，如何将输入行映射到输出HTML。
我找到了它。用BeautifulSoup替换正则表达式以简化解析，我根据div标记之间的文本长度对这些版本进行排序，以避免在查找子字符串时遇到任何问题

使用相同的样本：

为客户端创建和管理网站，以安全地进行通信
为客户创建和管理网站，以便进行安全通信
为客户创建和管理网站，以便进行安全通信
为客户创建和管理网站，以便进行安全通信

这些行在一个列表中表示，然后使用BeautifulSoup按其相应div标记之间的文本长度排序。以下是代码：

def\uu合并字符串（最终版本）：
soup=BeautifulSoup（最后的“html.parser”）
对于汤中的固定div。查找所有（“div”）：
如果未修复_div.text==version.text：
返回最终的\u str.replace(
version.text，unicode（版本）
)
返回最终搜索
已找到\u术语=(
（i，BeautifulSoup（i，“html.parser”）.find（“div”））
因为我发现
)#版本及其div文本的成对列表
已找到\u项=已排序(
找到项，key=lambda x:len（x[-1].text），reverse=True
)#根据div文本的长度进行排序，以避免子字符串问题
当前_div=找到了_terms[0][0]#具有最大div文本的版本
对于x范围内的i（1，len（找到的项））：
当前\u div=\u合并\u字符串（当前\u div，找到的\u项[i][1]）
我找到了答案。将regex替换为BeautifulSoup以简化解析，我根据div标记之间的文本长度对这些版本进行排序，以避免在查找子字符串时遇到任何问题

使用相同的样本：

为客户端创建和管理网站，以安全地进行通信
为客户创建和管理网站，以便进行安全通信
为客户创建和管理网站，以便进行安全通信
为客户创建和管理网站，以便进行安全通信
<