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 /
Вывод данных через динамический список в справочнике Maks 01.04.2026 Реализация из решения ниже выполнена на примере нетипового справочника "Спецтехника" разработанного в конфигурации КА2. Задача: вывести данные из ТЧ нетипового документа. . .	Функция заполнения текстового поля в реквизите формы документа Maks 01.04.2026 Алгоритм из решения ниже реализован на нетиповом документе "ВыдачаОборудованияНаСпецтехнику" разработанного в конфигурации КА2, в дополнении к предыдущему решению. На форме документа создается. . .	К слову об оптимизации kumehtar 01.04.2026 Вспоминаю начало 2000-х, университет, когда я писал на Delphi. Тогда среди программистов на форумах активно обсуждали аккуратную работу с памятью: нужно было следить за переменными, вовремя. . .	Идея фильтра интернета (сервер = слой+фильтр). Hrethgir 31.03.2026 Суть идеи заключается в том, чтобы запустить свой сервер, о чём я если честно мечтал давно и давно приобрёл книгу как это сделать. Но не было причин его запускать. Очумелые учёные напечатали на. . .
Модель здравосоХранения 6. ESG-повестка и устойчивое развитие; углублённый анализ кадрового бренда anaschu 31.03.2026 В прикрепленном документе раздумья о том, как можно поменять модель в будущем	10 пpимет, которые всегда сбываются Maks 31.03.2026 1. Чтобы, наконец, пришла маршрутка, надо закурить. Если сигарета последняя, маршрутка придет еще до второй затяжки даже вопреки расписанию. 2. Нaдоели зима и снег? Не надо переезжать. Достаточно. . .	Перемещение выделенных строк ТЧ из одного документа в другой Maks 31.03.2026 Реализация из решения ниже выполнена на примере нетипового документа "ВыдачаОборудованияНаСпецтехнику" с единственной табличной частью "ОборудованиеИКомплектующие" разработанного в конфигурации КА2. . . .	Functional First Web Framework Suave DevAlt 30.03.2026 Sauve. IO Апнулись до NET10. Из зависимостей один пакет, работает одинаково хорошо как в режиме проекта так и в интерактивном режиме. из сложностей - чисто функциональный подход. Решил. . .

@Ципихович Эндрю 1712 / 579 / 76 Регистрация: 10.04.2009 Сообщений: 9,328

	Читать .htm файлы как текстовые файлы 24.10.2023, 15:40. Показов 719. 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! 7392 / 4819 / 1246 Регистрация: 30.03.2015 Сообщений: 13,694 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: 12,536 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__ 2755 / 2062 / 509 Регистрация: 17.02.2014 Сообщений: 9,492
	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