如何从html文件解析文本

问题描述：

import urllib2 
import nltk 
from HTMLParser import HTMLParser 
from bs4 import BeautifulSoup 




l = """<TR><TD><small style=font-family:courier> >M. tuberculosis H37Rv|Rv3676|crp<br />VDEILARAGIFQGVEPSAIAALTKQLQPVDFPRGHTVFAEGEPGDRLYIIISGKVKIGRR<br />APDGRENLLTIMGPSDMFGELSIFDPGPRTSSATTITEVRAVSMDRDALRSWIADRPEIS<br />EQLLRVLARRLRRTNNNLADLIFTDVPGRVAKQLLQLAQRFGTQEGGALRVTHDLTQEEI<br />AQLVGASRETVNKALADFAHRGWIRLEGKSVLISDSERLARRAR<br /></small><TR><td><b><big>Blastp: <a href="http://tuberculist.epfl.ch/blast_output/Rv3676.fasta.out"> Pre-computed results</a></big></b><TR><td><b><big>TransMembrane prediction using Hidden Markov Models: <a href="http://tuberculist.epfl.ch/tmhmm/Rv3676.html"> TMHMM</a></big></b><base target="_blank"/><TR><td><b><big>Genomic sequence</big></b><br /><br /><form action="dnaseq.php" method="get">""" 

print l

我有一个HTML行，并且想要提取嵌入到HTML标记中的文本。我已经尝试过所有可用的方法，但他们不适合我的情况。如何从html文件解析文本

我该怎么办呢？

预期的输出应该是：

分枝杆菌| Rv3676 | CRP VDEILARAGIFQGVEPSAIAALTKQLQPVDFPRGHTVFAEGEPGDRLYIIISGKVKIGRRAPDGRENLLTIMGPSDMFGELSIFDPGPRTSSATTITEVRAVSMDRDALRSWIADRPEISEQLLRVLARRLRRTNNNLADLIFTDVPGRVAKQLLQLAQRFGTQEGGALRVTHDLTQEEIAQLVGASRETVNKALADFAHRGWIRLEGKSVLISDSERLARRAR

你会发现你正在尝试做的很好的例子：https://www.crummy.com/software/BeautifulSoup/bs4/doc/ – dima

答

我注意到你导入BeautifulSoup，所以你可以使用BeautifulSoup来帮助你提取这些信息。

soup = BeautifulSoup(l,"html.parser") 
print soup.get_text()

我试着和它的工作，但在过去标签的句子也将被提取，你如果需要削减的结果。

答

try: 
    from BeautifulSoup import BeautifulSoup 
except ImportError: 
    from bs4 import BeautifulSoup 

html = BeautifulSoup(l) 
small = html.find_all('small') 
print (small.get_text())

这得到小标签，并在它打印出的所有文字

答

我与这不适合我的工作，因为它是生产无格式的版本，所以我已经决定BeautifulSoup试着写下代码我的自我和工作非常好，并且生产我想要的东西。

import urllib2 


proxy = urllib2.ProxyHandler({'http': 'http://******************'}) 
opener = urllib2.build_opener(proxy) 
urllib2.install_opener(opener) 
res = urllib2.urlopen('http://tuberculist.epfl.ch/quicksearch.php?gene+name=Rv3676') 
html = res.readlines() 

for l in html: 


    if "Genomic sequence" in l: 
     l = l.split("</small>")[0] 

     l = l.split("<br />") 
     header = l[0] 
     sequence = l[1:] 

     print "".join([">", header.split(">")[4]]) 
     print "".join(sequence)

输出

>M. tuberculosis H37Rv|Rv3676|crp 


VDEILARAGIFQGVEPSAIAALTKQLQPVDFPRGHTVFAEGEPGDRLYIIISGKVKIGRRAPDGRENLLTIMGPSDMFGELSIFDPGPRTSSATTITEVRAVSMDRDALRSWIADRPEISEQLLRVLARRLRRTNNNLADLIFTDVPGRVAKQLLQLAQRFGTQEGGALRVTHDLTQEEIAQLVGASRETVNKALADFAHRGWIRLEGKSVLISDSERLARRAR

如何从html文件解析文本

相关推荐