Python：解析HTML以删除标记，并对标记后的所有文本应用文本转换

我试图检测包含HTML标记

的字符串，以及标记

“共享”或“便利设施”

中的某些单词，并将单词

“共享”

附加到该标记后面所有以逗号分隔的子字符串中。有没有一个简单的方法来实现这一点

输入示例：

</strong></p> swimming pool, barbecue <hr /> <p><strong class="title">SHARED CLUB AMENITIES</strong></p> beach, tennis courts <hr /> <p><strong class="title">

swimming pool, barbecue, beach shared, tennis courts shared

---

为此，您可以使用一些不同的库，常见的选择是BeautifulSoup或lxml。我更喜欢lxml，因为大多数语言都有类似于regex的实现，所以感觉我会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)

从lxml导入html
stuff='
游泳池、烧烤
共享俱乐部设施海滩、网球场

stuff=html.fromstring（stuff）
ptag=stuff.xpath（'//p/*[包含（text（），“便利设施”）或包含（text（），“共享”）]//text（）
印刷品（ptag）

我使用下面的代码实现了这一点。欢迎任何意见和建议

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

从bs4导入美化组
html_to_parse='游泳池、烧烤
共享俱乐部设施海滩、网球场
'
soup=BeautifulSoup（html-to-parse）
html_body=soup（'body'）[0]
shared_indicator=html_body.find（'strong'，'title'）。get_text（）
非共享便利设施=html\u to\u parse.split（共享指示符，1）[0]
非共享设施=（美化组（非共享设施，'html.parser'））
.get_text（）
.strip（）
)
shared_便利设施=html_to_parse.split（shared_指示符，1）[1]
共享设施数组=（pd.Series（BeautifulSoup）（共享设施“html.parser”）
.get_text（）
.split（'，'））
.替换（“[^A-Za-z0-9'`]+”，regex=True）
.str.strip（）
.apply（lambda x:“{}{}”.format（x，'shared'））
)
共享设施已标记=“，”。加入（共享设施阵列）
非共享设施+，“+共享设施”

Head start advice-不要使用正则表达式解析HTML；）@liborm你的评论比我强。。。。。