Читать .htm файлы как текстовые файлы

@Ципихович Эндрю · Регистрация: 10.04.2009

Студворк — интернет-сервис помощи студентам

здравствуйте как проще это делается без парсинга=откидывания тегов
типа скопировать файл сменить расширение считать и удалить
спасибо

@Welemir1 · 24.10.2023, 16:07

Ципихович Эндрю, хтмл это обычный текстовый файл, открывай и читай, в чем вопрос?

@Ципихович Эндрю · 24.10.2023, 16:38 **[ТС]**

Welemir1, пока спорить не буду-ПК занят))
но когда в коде:

Python
1
2
3
    if os.path.isfile(f'{patch_doc}/{file}') and file.endswith('.htm'):
        with open(patch_doc + file, 'r', encoding='utf-8') as f_in:  # исходные документы htm
            txt_htm += f_in.read() + '\n'

при отладке наводил курсор на переменную txt_htm то видел, что туда валится текст с тегами, мне они нафиг не нужны в моём случае......

@Welemir1 · 24.10.2023, 16:55

Ципихович Эндрю, ты задачу опиши тогда нормально, бедолага.

Сообщение от Ципихович Эндрю

Читать .htm файлы как текстовые файлы

вот что ты написал. Читать хтмл файл можно, также как и любые. Но конечно в нем останутся все теги. Еслми он тебе нужен без тегов то в любом случаем надо как то обработать контент. И зачем тебе он без тегов?

@Ципихович Эндрю · 24.10.2023, 17:35 **[ТС]**

Сообщение от Welemir1

И зачем тебе он без тегов?

лучше не начинать об этом.....

Сообщение от Welemir1

Еслми он тебе нужен без тегов

да такой и нужен

Сообщение от Welemir1

надо как то обработать контент

как лучше это сделать?

@Welemir1 · 24.10.2023, 18:03

Сообщение от Ципихович Эндрю

как лучше это сделать?

обработать. Или регулярками или еще лучше спецбиблиотеками типа lxml, и вытащить из всех элементов только текст.

@iamvic · 24.10.2023, 18:24

Ципихович Эндрю, может просто взять html2text и не мучаться?

@Ципихович Эндрю · 24.10.2023, 19:44 **[ТС]**

Сообщение от Welemir1

спецбиблиотеками типа lxml

нашёл

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from lxml import html
 
html_data = """
<html>
  <body>
    <h1>Hello, lxml!</h1>
  </body>
</html>
"""
 
root = html.fromstring(html_data)
 
print(root.tag)  # output: html
print(root[0].tag)  # output: body
print(root[0][0].tag)  # output: h1
print(root[0][0].text)  # output: Hello, lxml!

root[0][0] - нули в скобках это что? как будет для всего документа?

@Ципихович Эндрю · 27.10.2023, 15:50 **[ТС]**

при выполнении задачи удаление тегов пошёл этим путём

Python
1
2
3
4
            RE_TAGS = re.compile(r"<([^>]+)>", re.UNICODE)  # удаление тегов
            def strip_tags_TAGS(text, marker=''):
                return RE_TAGS.sub(marker, text)
            text_RE_TAGS = strip_tags_TAGS(f_in.read())

и на выходе получил в документах, например:
.s0 {font-family: "times new roman", serif; font-style: normal; font-weight: normal; font-size: 12pt; }
то есть пролетел, есть у кого внятный пример? спасибо

Добавлено через 2 часа 57 минут

Сообщение от Ципихович Эндрю

RE_TAGS = re.compile(r"<([^>]+)>", re.UNICODE) # удаление тегов
def strip_tags_TAGS(text, marker=''):
return RE_TAGS.sub(marker, text)
text_RE_TAGS = strip_tags_TAGS(f_in.read())

брал это пример на этом сайте, где ТС благодарил......

Сообщение от Viktorrus

Garry Galler, как всегда дал исчерпывающий ответ

и вот пример:
краткость сестра таланта-без холивара
https://ansmirnov.ru/python-re... om-string/

Python
1
2
import re
print re.sub(r'\<[^>]*\>', '', html)

увы опробовав этот пример - тоже остались теги........
есть у кого внятный пример?

@Aviz__ · 27.10.2023, 18:55

Сообщение от Ципихович Эндрю

есть у кого пример?

Python
1
2
3
4
5
6
7
8
9
10
from bs4 import BeautifulSoup
html = """
<html>
  <body>
    <h1>Hello, Андрюша!</h1>
  </body>
</html>"""
soup = BeautifulSoup(html, 'html.parser')
text = soup.get_text().strip()
print(text)

@Kuzia domovenok · 27.10.2023, 19:43

Ципихович Эндрю, ну какие-то основы веба и в частности html наверное надо знать, чтобы браться за такую задачу.
А не так "ой, а что это за <> в файле? Не ожидал. Как удалить?
Ой, я их удалил и у меня в тексте всякие скрипты появились... откуда???
Ой, а всё равно в тексте какие-то < > & ... и.т.д.
".
Как-будто не программист, а тётя Клава пишет, приходится основы рассказывать...

@Aviz__ · 27.10.2023, 19:56

Кликните здесь для просмотра всего текста

Не по теме:

Kuzia domovenok, ты не прав! Андрюша - ментально не совсем здоров...

Новые блоги и статьи Все статьи Все блоги /
Изучаю kubernetes lagorue 13.01.2026 А пригодятся-ли мне знания kubernetes в России?	Сукцессия микоризы: основная теория в виде двух уравнений. anaschu 11.01.2026 https:/ / rutube. ru/ video/ 7a537f578d808e67a3c6fd818a44a5c4/	WordPad для Windows 11 Jel 10.01.2026 WordPad для Windows 11 — это приложение, которое восстанавливает классический текстовый редактор WordPad в операционной системе Windows 11. После того как Microsoft исключила WordPad из. . .	Classic Notepad for Windows 11 Jel 10.01.2026 Old Classic Notepad for Windows 11 Приложение для Windows 11, позволяющее пользователям вернуть классическую версию текстового редактора «Блокнот» из Windows 10. Программа предоставляет более. . .
Почему дизайн решает? Neotwalker 09.01.2026 В современном мире, где конкуренция за внимание потребителя достигла пика, дизайн становится мощным инструментом для успеха бренда. Это не просто красивый внешний вид продукта или сайта — это. . .	Модель микоризы: классовый агентный подход 3 anaschu 06.01.2026 aa0a7f55b50dd51c5ec569d2d10c54f6/ O1rJuneU_ls https:/ / vkvideo. ru/ video-115721503_456239114	Owen Logic: О недопустимости использования связки «аналоговый ПИД» + RegKZR ФедосеевПавел 06.01.2026 Owen Logic: О недопустимости использования связки «аналоговый ПИД» + RegKZR ВВЕДЕНИЕ Введу сокращения: аналоговый ПИД — ПИД регулятор с управляющим выходом в виде числа в диапазоне от 0% до. . .	Модель микоризы: классовый агентный подход 2 anaschu 06.01.2026 репозиторий https:/ / github. com/ shumilovas/ fungi ветка по-частям. коммит Create переделка под биомассу. txt вход sc, но sm считается внутри мицелия. кстати, обьем тоже должен там считаться. . . .

@Ципихович Эндрю 1711 / 578 / 76 Регистрация: 10.04.2009 Сообщений: 9,305

	Читать .htm файлы как текстовые файлы 24.10.2023, 15:40. Показов 698. Ответов 11 Метки нет (Все метки) здравствуйте как проще это делается без парсинга=откидывания тегов типа скопировать файл сменить расширение считать и удалить спасибо 0

@Welemir1 Автоматизируй это! 7390 / 4817 / 1246 Регистрация: 30.03.2015 Сообщений: 13,664 Записей в блоге: 29
	24.10.2023, 16:07
	Ципихович Эндрю, хтмл это обычный текстовый файл, открывай и читай, в чем вопрос? 0

@iamvic 290 / 205 / 68 Регистрация: 18.09.2019 Сообщений: 407 Записей в блоге: 58
	24.10.2023, 18:24
	Ципихович Эндрю, может просто взять html2text и не мучаться? 0

@Kuzia domovenok 4268 / 3327 / 926 Регистрация: 25.03.2012 Сообщений: 12,531 Записей в блоге: 1
	27.10.2023, 19:43
	Ципихович Эндрю, ну какие-то основы веба и в частности html наверное надо знать, чтобы браться за такую задачу. А не так "ой, а что это за <> в файле? Не ожидал. Как удалить? Ой, я их удалил и у меня в тексте всякие скрипты появились... откуда??? Ой, а всё равно в тексте какие-то < > & ... и.т.д. ". Как-будто не программист, а тётя Клава пишет, приходится основы рассказывать... 0

@Aviz__ 2736 / 2046 / 506 Регистрация: 17.02.2014 Сообщений: 9,462
	27.10.2023, 19:56
	Кликните здесь для просмотра всего текста Не по теме: Kuzia domovenok, ты не прав! Андрюша - ментально не совсем здоров... 0

Читать .htm файлы как текстовые файлы

Решение