正则表达式在 HTML python 中大写段落答案

【问题标题】：Regex to capitalize paragraphs in HTML python正则表达式在 HTML python 中大写段落
【发布时间】：2015-09-09 18:40:59
【问题描述】：

我想获取 HTML 文档中的所有内容并将句子大写（在段落标签内）。输入文件的所有内容全部大写。

我的尝试有两个缺陷 - 首先，它删除了段落标签本身，其次，它只是将匹配组中的所有内容都小写。我不太清楚 capitalize() 是如何工作的，但我认为它会使句子的第一个字母......大写。

也可能有比正则表达式更简单的方法来做到这一点。这是我所拥有的：

import re

def replace(match):
    return match.group(1).capitalize()

with open('explanation.html', 'rbU') as inf:
    with open('out.html', 'wb') as outf:
        cont = inf.read()
        par = re.compile(r'(?s)\<p(.*?)\<\/p')
        s = re.sub(par, replace, cont)
        outf.write(s)

【问题讨论】：

首先，不要使用正则表达式来提取p标签的内容，使用Beautifulsoup。
我只是想做一些快速简单的一次性使用。我通常不接触 HTML。
永远不要在 HTML/XML 上使用正则表达式，因为同样的情况，StackOverflow 用户会发疯。 stackoverflow.com/a/1732454/1066393
Beautifulsoup 又快又简单，没问题。
关于capitalize()，不管是不是句子，都会把第一个字母大写。提取句子的一种可能方法是使用 nltk。

标签： python html regex python-2.7

【解决方案1】：

beautifulsoup 和 nltk 的示例：

from nltk.tokenize import PunktSentenceTokenizer
from bs4 import BeautifulSoup

html_doc = '''<html><head><title>abcd</title></head><body>
<p>i want to take everything in an HTML document and capitalize the sentences (within paragraph tags).
the input file has everything in all caps.</p>
<p>my attempt has two flaws - first, it removes the paragraph tags, themselves, and second, it simply lower-cases everything in the match groups.
 i don't quite know how capitalize() works, but I assumed that it would leave the first letter of sentences... capitalized.</p>
<p>there may be a much easier way to do this than regex, too. Here's what I have:</p>
</body>
<html>'''

soup = BeautifulSoup(html_doc, 'html.parser')

for paragraph in soup.find_all('p'):
    text = paragraph.get_text()
    sent_tokenizer = PunktSentenceTokenizer(text)
    sents = [x.capitalize() for x in sent_tokenizer.tokenize(text)]
    paragraph.string = "\n".join(sents)

print(soup)

【讨论】：

如何将其写入字符串？它说它必须是一个缓冲区，而不是 BeautifulSoup。
要定位特定位置（之前、之后、内部...的段落，具有 x、y 或 z 属性），您可以使用带有 beautifulsoup 的 css 选择器（请参阅文档）。另一种可能的方法是使用lxml 模块而不是允许使用xpath 查询的beautifulsoup。
如果想要最终结果为字符串，只需要str(soup)