使用python清理HTML

我有下面的代码，但我收到一个错误。我试图从Tag1和Tag2之间的html文件中获取文本 如果没有for循环，代码可以工作（对于一个文件），但是当在目录中循环时，代码不能工作

from bs4 import BeautifulSoup
from urllib import urlopen
import os
import bleach
import re
rootdir = mydirectory
for subdir, dirs, files in os.walk(rootdir):
    for file in files:
        url = file
        print url
        raw = urlopen(url).read()
        type(raw)
        Tag1 = raw.find("""<div class="song-text">""")
        Tag2 = raw.rfind("""<div style="text-align:center;padding-bottom:10px;">""")
        Cleaned = raw[Tag1+23:Tag2]
        print Cleaned

从bs4导入美化组
从urllib导入urlopen
导入操作系统
进口漂白剂
进口稀土
rootdir=mydirectory
对于os.walk（rootdir）中的subdir、dir和文件：
对于文件中的文件：
url=文件
打印url
raw=urlopen（url）.read（）
类型（原始）
Tag1=原始的。查找（“”）
Tag2=raw.rfind（“”）
清洁=未加工[Tag1+23:Tag2]
打印清洁

错误消息：回溯（最近一次调用上次）：文件 “TestClean.py”，第12行，在 raw=urlopen（url.read（）文件“/usr/lib/python2.7/urllib.py”，urlopen中的第87行 在open中返回opener.open（url）文件“/usr/lib/python2.7/urllib.py”，第208行 在open_文件中返回getattr（self，name）（url）文件“/usr/lib/python2.7/urllib.py”，第463行 在open_local_文件中返回self.open_local_文件（url）file“/usr/lib/python2.7/urllib.py”，第477行 raise IOError（e.errno，e.strerror，e.filename）IOError:[errno 2]没有这样的文件或目录：“paroles-a-beauty-lie.html”

---

错误消息表示缺少文件

os.walk

只返回文件名，而不返回文件的完整路径。1） 以

path=os.path.join（subdir，file）

2）读取文件

open（path.Read（）

而不使用

urlopen

从回溯中可以清楚地看出，它无法找到“paroles-a-beauty-lie.html”文件。我建议你一步一步地走

注释“打印url”下面的代码

检查您是否获得了正确的url

然后继续你的下一步-寻找过程

---

我认为你试图在错误的位置打开文件

url

只是文件名。您可能需要使用

os.path.join

来连接

subdir

和

url

。顺便说一句，使用HTML解析器解析HTML。