使用 Python 提取 HTML 标记内容

Question

我有一个 188 页的 Word 文档，它主要使用字体大小来表示结构。

你可以在这里看到它：https://github.com/watty62/jazz_birthdays/blob/master/jazz_birthdays.doc

使用 Python（我的首选语言）我想提取内容并将其保存为 json 等数据格式。

我在 Libre Office 中打开了文档并将其保存为 HTML，还尝试将其导出为替代 XML 文件。

您可以看到 XML 和 HTML 文件here 两者似乎都能生成结构合理的文档，但从 XML 中提取含义更加困难

<para>1 January   </para>
<para>Helmut Brandt, baritone sax, 1931 (July 26, 2001)</para> 

在 HTML 版本中，我们以

结尾

    <P LANG="en-US" STYLE="margin-top: 0.18cm; margin-bottom: 0.18cm; page-break-after: avoid">
<FONT SIZE=4>1 January   </FONT>
</P>
<P LANG="en-US" CLASS="western" STYLE="font-weight: normal">Helmut
Brandt, baritone sax, 1931 (July 26, 2001)</P>

每个日期都包含在<FONT SIZE=4> </FONT> 标签中（尽管这些标签偶尔用于其他目的。

快速统计一下，<FONT SIZE=4> 被使用了 377 次 - 所以现在假设一年中的所有 366 天都在那里，那么我将不得不忽略它的 11 次使用。

我的方法是将第一个 <Font size=4> 替换为表示它是日期字段的开头的东西，例如 <Date>然后每个后续的 日期的结束（在所有音乐家的生日之后）并打开下一个日期</Date><Date>

在那之后，我想我会简化每一行 - 虽然这些会变得复杂，名称（可能包含昵称）、演奏的乐器以逗号分隔、出生年份和死亡日期（在括号中并以“d”开头.") - 以后会遇到更多问题。

使用 Beautiful soup 解析文件的初始尝试在原始文件中引发了一些编码错误。

我不是在寻找解决方案（因为它是一个真正的大问题），但希望能得到有关方法、库等方面的任何提示，以帮助我入门。

谢谢

伊恩

Answer 1

我希望这就是您正在寻找的（如果不是，请告诉我，以便我可以为您删除我的答案）：

import re
s="""<P LANG="en-US" STYLE="margin-top: 0.18cm; margin-bottom: 0.18cm; page-break-after: avoid">
<FONT SIZE=4>1 January   </FONT>
</P>
<P LANG="en-US" CLASS="western" STYLE="font-weight: normal">Helmut
Brandt, baritone sax, 1931 (July 26, 2001)</P>"""
print re.findall(r"\d{1,2} \w+",s)

这个输出：

['1 January']

作为一个简单的解释，re 模块是一种奇特的搜索机制。它的 final() 方法需要一个要搜索的模式和一个要搜索的字符串。我给它输入了模式 r"\d{1,2} \w+"。字符串前面的 r 告诉 python 忽略反斜杠，以便 re 可以将它们用于它的目的。 \d 表示一个数字。 {1,2} 表示一次或两次。空间只是空间的意思。 \w 表示单词字符。而 + 表示一个或多个。