如何使用 python 的正则表达式从文本文件中删除多个标签答案

【问题标题】：How to remove multiple tags from a text file using python's regex如何使用 python 的正则表达式从文本文件中删除多个标签
【发布时间】：2021-06-07 21:54:24
【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中删除标签listfile.txt

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出版日期中删除标签。但是，我无法从正文中正确删除所有标签。在文件中，正文以标签<div class="story-element story-element-text"> 开始，在下一个

任何帮助提取这部分文本将不胜感激！文章文本是非英文脚本，但所有的html标签都是英文的。

#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)

【问题讨论】：

stackoverflow.com/questions/1732348/…

标签： python python-3.x regex tags findall

【解决方案1】：

我认为你使用了错误的工具，我建议你改用bs4；我保证你会喜欢的?。

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?

【讨论】：

谢谢！此代码适用于标题和日期，但没有让我了解所有正文。在该文件中，正文文本从 div.story-element.story-element-text 的第一个实例开始，并在下一个 h1 标记之前结束。有什么办法可以修改代码吗？
例如，使用 bodytext[0]，我只得到第一篇文章的第一段，而不是第一篇文章的全部。使用 bodytext[1]，我得到了第一篇文章的第二段，但我应该得到第二篇文章，对吧？

【解决方案2】：

我不熟悉如何在 python 中设置正则表达式，但这适用于 JavaScript

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>

【讨论】：