免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
最近访问板块 发新帖
查看: 1162 | 回复: 3

[文本处理] 用vim如何从这个html中提取 关键词 及 音标? [复制链接]

论坛徽章:
0
发表于 2019-10-12 14:04 |显示全部楼层
本帖最后由 blackantt 于 2019-10-15 20:24 编辑

nt-size:14px;overflow:auto;">
.......
        <span style='float:left;display:block;'>Synonym: </span><span style='float:left;display:block;'><a href='javascript:;' onclick='q1("fuzz");'>fuzz</a>, </span><span style='float:left;display:block;'><a href='javascript:;' onclick='q1("hair's-breadth");'>hair's-breadth</a>,
.......
, </span><span style='float:left;display:block;'><a href='stair.html' target='_blank'>stair</a>. </span><span style='float:left;display:block;'>Meaning: [her /heə] n     </span>

形成以下这种文本

Synonym: fuzz, hair's-breadth
Meaning: [her /heə]


  原始html文件见附件


hair.zip (8.66 KB, 下载次数: 8)
aa.jpg

论坛徽章:
7
2016科比退役纪念章
日期:2018-10-24 08:24:0115-16赛季CBA联赛之北控
日期:2019-03-12 14:34:562016科比退役纪念章
日期:2019-04-01 10:33:0915-16赛季CBA联赛之山东
日期:2019-04-17 12:46:3215-16赛季CBA联赛之广夏
日期:2019-05-09 16:40:4015-16赛季CBA联赛之广夏
日期:2019-10-10 15:33:4015-16赛季CBA联赛之辽宁
日期:2019-10-15 08:37:06
发表于 2019-10-15 08:34 |显示全部楼层
vim 不会。
本来简单的文本用正则也可以,html嘛,不想烧脑 还是用html解析库吧。
下面是 用python3+lxml 实现的,仅供参考。
  1. from lxml import etree

  2. html = etree.parse("hair.html",etree.HTMLParser())
  3. Synonym = html.xpath('//div[@id="content"]/div[1]/span/a[@href="javascript:;"]/text()')
  4. Meaning = html.xpath('//div[@id="content"]/div[1]/span[last()]/text()')
  5. Meaning = Meaning[0].split("\xa0")[1]
  6. with open("result.txt","w",encoding="utf-8") as fw:
  7.     fw.writelines("Synonym:{}\n".format(",".join(Synonym)))
  8.     fw.writelines("Meaning:{}".format(Meaning))
复制代码


结果:
  1. Synonym:fuzz,hair's-breadth,haircloth,hairsbreadth,pilus,tomentum,whisker
  2. Meaning:[her /heə]
复制代码

论坛徽章:
0
发表于 2019-10-15 20:28 |显示全部楼层
回复 2# cfwyy
谢谢,我试试。
  1。现在已经能用vim的非贪婪模式提取音标了。但怎么用vim在一行里提取多个关键字还没找到方法,尤其是关键字的个数不定。
  2。如果关键字行  与  音标行  在同一行。 vim的2条规则是先后起作用?


提取音标的非贪婪模式模板为  .\{-}
%s/.*\(Meaning:.\{-}\)&nbsp;<\/span>/\1/ge



论坛徽章:
6
程序设计版块每日发帖之星
日期:2016-05-11 06:20:00操作系统版块每日发帖之星
日期:2016-05-12 06:20:00每日论坛发贴之星
日期:2016-05-12 06:20:00操作系统版块每日发帖之星
日期:2016-05-14 06:20:00程序设计版块每日发帖之星
日期:2016-05-31 06:20:00每日论坛发贴之星
日期:2016-05-31 06:20:00
发表于 2019-10-19 16:25 |显示全部楼层
hair.zip 下载需扫码,方法不知道?会的回复可否
您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

PostgreSQL中国大会,早鸟票抢购!

PostgreSQL中国大会,早鸟票抢购!
2019年11月29~11月30日,由 PostgreSQL中文社区与ITPUB联合主办的第九届《PostgreSQL 中国技术大会》将在北京隆重召开。PostgreSQL 作为功能最强的的开源关系型数据库之一,得到了越来越多企业的推广和运用,也越来越受到广大技术爱好者的欢迎和重视。这将是 PostgreSQL 的又一次交流盛会。




----------------------------------------

点击报名>>
  

北京盛拓优讯信息技术有限公司. 版权所有 16024965号-6 北京市公安局海淀分局网监中心备案编号:11010802020122
中国互联网协会会员  联系我们:huangweiwei@it168.com
感谢所有关心和支持过ChinaUnix的朋友们 转载本站内容请注明原作者名及出处

清除 Cookies - ChinaUnix - Archiver - WAP - TOP