Python：Regex v. BeautifulSoup 从文本 <TYPE> 中删除答案

【问题标题】：Python: Regex v. BeautifulSoup to remove from text <TYPE>Python：Regex v. BeautifulSoup 从文本 <TYPE> 中删除
【发布时间】：2014-11-20 09:29:06
【问题描述】：

我需要从标签<TYPE>EX 和</TEXT> 和<TYPE>XML 和</TEXT> 之间的文本中删除所有部分。我正在考虑使用正则表达式如下：

re.sub(r"(?is)<TYPE>EX[^>]*>(.*?)</TEXT>",'',text)

和

re.sub(r"(?is)<TYPE>XML[^>]*>(.*?)</TEXT>",'',text)

但我继续阅读 StackOverflow，如果 BeautifulSoup 可以完成这项工作，则不要使用 regex。如何使用 BeautifulSoup 删除文本中这些标签之间的内容？我不认为这是正确的：

soup = BeautifulSoup(text.lower())
[s.extract() for s in soup('TYPE')]

我必须指定<TYPE>EX 和<TYPE>XML。在这两种情况下，结束标签实际上都是</TEXT>。可以在here 找到一个示例 .txt 文件。应该坚持使用正则表达式吗？

【问题讨论】：

标签： python parsing beautifulsoup

【解决方案1】：

您可以使用正则表达式（是）来匹配包含的文本：

soup.find_all('TYPE', text=re.compile('^\s*(?:EX|XML)', re.I))

这将找到标记名为TYPE 的所有标记，其直接包含的文本以EX 或XML 开头（不区分大小写），但允许在开始标记和文本之间留有空格。

然后您可以提取这些标签以删除它们：

for type_tag in soup.find_all('TYPE', text=re.compile('^\s*(?:EX|XML)', re.I)):
    type_tag.extract()

我假设您将文档解析为 XML，使用 BeautifulSoup(text, 'xml')；否则标签不区分大小写匹配，您需要小写您正在寻找的标签（例如find_all('type', ....)）。您需要为 BeautifulSoup 安装 lxml 以支持 XML 解析。

【讨论】：

我正在尝试这个，我得到这个错误TypeError: 'NoneType' object is not callable for for type_tag in soup.find_all('type', text=re.compile('^\s*(?:ex|xml)', re.I)): type_tag.extract() 我把所有的东西都用小写如下：soup = BeautifulSoup(text.read().lower()) where text = open("C:\\Users\\0001193125-13-416534.txt")。为什么我会收到此错误？感谢您的帮助
@Plug4：听起来您使用的是 BeautifulSoup 版本三个而不是四个。确保您拥有正确的版本；对于后者，您可以使用from bs4 import BeautifulSoup。
我知道这是我的问题。由于我是 BeautifulSoup 的新手，如何将我的 soup 文本导出到 .txt 文件？我试过text_file = open("C:\\Output.txt", "w") text_file.write(soup) text_file.close()，但它给了我这个错误ValueError: I/O operation on closed file
如果我在这里尝试你的建议stackoverflow.com/questions/18968279/… 我得到一个空的.txt 文件...
@Plug4：你能为那个问题创建一个新问题吗？