如何使用python的正则表达式从文本文件中删除多个标签

问题描述

新手来了！我正在使用 Python 3.8.3 并试图从附加的文本文件 listfile.txt

中删除标签

我想提取 3 个列表 - 文章的标题、出版日期和正文并删除标签。在下面的代码中，我已经能够从标题和发布日期中删除标签。但是，我无法从正文中正确删除所有标签。在文件中，正文以标记 <div class="story-element story-element-text"> 开始，并在下一个

对提取这部分文本的任何帮助将不胜感激！！文章正文为非英文文字，但所有html标签均为英文。

#opening text file which contains newspaper article information scraped off website using beautifulsoup
with open('listfile.txt','r',encoding='utf8') as my_file:
    text = my_file.read()
    print(text)  

#removing tags and generating list of newspaper article titles    
titles = re.findall('<h1.*?>(.*?)</h1>',text)
print(titles) 

#removing tags and generating list of newspaper article publication dates 
dates = re.findall('<div class=\"storyPageMetaData-m__publish-time__19bdV\"><span>(.*?)</span>',text)
print(dates)

#removing tags and generating list containing main text of articles. This is where the code is incorrect
bodytext= re.findall('<div class=\"story-element story-element-text\">(.*?)</div>',text)
print(bodytext)

解决方法

我认为您使用了错误的工具， 我建议您改用 bs4；我保证你会喜欢它?。

from bs4 import BeautifulSoup
raw_html = "YOUR RAW HTML"
soup = BeautifulSoup(raw_html,"html.parser")
titles = [h1_tag.text for h1_tag in soup.select('h1')]
dates = [span_tag.text for span_tag in soup.select('div.storyPageMetaData-m__publish-time__19bdV > span')]
bodytext = [div_tag.text for div_tag in soup.select('div.story-element.story-element-text')]

享受?

,

我不熟悉如何在 python 中设置正则表达式，但这在 JavaScript 中有效

如果您仍想使用 RegEx，请使用它来捕获文本文件中的 h1 标签。 <h1(.*?)</h1>

``