Разделить HTML после N слов в python

есть ли способ разделить длинную строку HTML после N слов? Очевидно, я мог бы использовать:

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

чтобы получить первые n слов простой текстовой строки, но это может разделить в середине тега html и не будет производить допустимый html, потому что он не закроет теги, которые были открыты.

мне нужно сделать это на сайте zope / plone - если есть что-то стандартное в тех продуктах, которые могут это сделать, это было бы идеально.

например, скажем, у меня текст:

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

и я прошу его расколоть после 5 слов, он должен вернуться:

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

7 слов:

<p>This is some text with a 
  <a href="http://www.example.com/" title="Example link">
     bit
  </a>
</p>
7
html plone python zope

4 ответов

посмотри truncate_html_words функция в django.а utils.текст. Даже если вы не используете Django, код там делает именно то, что вы хотите.

6

Я слышал, что Красивый Суп очень хорошо разбирает html. Вероятно,это поможет вам получить правильный html.

3

Я собирался упомянуть базу HTMLParser это встроенный Python, так как я не уверен, что конечный результат, к которому вы пытаетесь добраться, это может или не может привести вас туда, вы будете работать с обработчиками в первую очередь

0

вы можете использовать сочетание regex, BeautifulSoup или Tidy (я предпочитаю BeautifulSoup). Идея проста-сначала удалите все теги HTML. Найдите N-е слово (N=7 здесь), найдите количество раз, когда n - е слово появляется в строке до n слов-потому что вы ищете только последнее вхождение, которое будет использоваться для усечения.

вот кусок кода, хотя немного грязный, но работает

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)

выход что

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>

надеюсь, что это помогает

Edit: лучшее регулярное выражение 

`p = re.compile(r'<[^<]*?>')`
0