搜索列表查找 <TEXT> 和 </TEXT> 之间的文本

Question

这是一个已处理的 html 文件，位于 python 列表变量中。它也有一些换行符 - 所以文本是多行的。该列表未标记化。 侧尖括号（html标签）中有多组“TEXT”和“/TEXT”。 我想提取这些匹配对之间的文本并将它们附加到另一个列表中。在这里感谢专家的帮助。

with gzip.open(.....)
    texty = []
    for i, line in enumerate(opened_file): #reading file
      texty.append(line.strip(' \t\n\r')

看完后可以加入如下：

lines.append(' '.join(line))

变量 texty/lines 重复了多次 <TEXT> 和 </TEXT>。我需要处理这个文本或行并提取内容并附加到另一个变量（例如上面代码中的行）。最终，这个新内容将被写入标题“ContentK”下的两列或三列的 CSV 文件 -

更新： 美丽的汤失败了，因为它不是字节对象而是列表。 这会解决吗：

with gzip.open(.....)
  texty = ''
  for i, line in enumerate(opened_file): #reading file
    texty.join(line.strip(' \t\n\r')

Answer 1

要解析此文本，我建议使用 HTML 解析器，例如 beautifulsoup。例如：

from bs4 import BeautifulSoup


txt = """
This text I don't want
XXX <TEXT> I want
this text </TEXT> YYY
ZZZ <text> and this too </text>"""

soup = BeautifulSoup(txt, "html.parser")

out = [t.text for t in soup.find_all("text")]
print(out)

打印：

[' I want\nthis text ', ' and this too ']