ho un data..something rumoroso comePython: eliminare le parole tra i due delimitatori
<@ """@$ FSDF >something something <more noise>
ora voglio solo estrarre "qualcosa di qualcosa" .. C'è un modo su come eliminare il testo tra questi due delimitatori "<" e ">" ??
Grazie
Uso regular expressions:
>>> import re
>>> s = '<@ """@$ FSDF >something something <more noise>'
>>> re.sub('<[^>]+>', '', s)
'something something '
[Update]
Se si è tentato un modello come <.+>, dove il punto: ogni personaggio e il segno più: uno o più, si sapere che non funziona
>>> re.sub(r'<.+>', s, '')
''
Perché!?! Succede perché le espressioni regolari sono "golose" per impostazione predefinita. L'espressione corrisponderà a qualsiasi cosa fino alla fine della stringa, incluso lo >, e questo non è ciò che vogliamo. Vogliamo corrispondere allo < e fermarci al prossimo >, quindi utilizziamo il modello [^x] che significa "qualsiasi carattere tranne x" (x è >).
L'operatore ? trasforma la partita "non-greedy", quindi questo ha lo stesso effetto:
>>> re.sub(r'<.+?>', '', s)
'something something '
Il precedente è più esplicito, questo è meno digitando; essere consapevoli del fatto che x? significa zero o una ricorrenza di x.
:) funziona come un incantesimo .. grazie – Fraz
Se ogni regex risponde SPIEGATO perché la regex funziona in primo luogo, come hai fatto tu, SO sarebbe un posto molto più felice. +1! – heltonbiker
Naturalmente, è possibile utilizzare le espressioni regolari.
import re
s = #your string here
t = re.sub('<.*?>', '', s)
Il codice sopra dovrebbe farlo.
import re
my_str = '<@ """@$ FSDF >something something <more noise>'
re.sub('<.*?>', '', my_str)
'something something '
La funzione re.sub prende un expresion regolare e sostituire tutte le partite nella stringa con il secondo parametro. In questo caso, cerchiamo tutti i caratteri compresi tra < e > ('<.*?>') e li sostituiamo con nulla ('').
? viene utilizzato in re per ricerche non ingenue.
Ulteriori informazioni su re module.
se quel "rumori" sono in realtà tag html, vi suggerisco di guardare in BeautifulSoup
Solo per interessi, si potrebbe scrivere del codice come ad esempio:
with open('blah.txt','w') as f:
f.write("""<sdgsa>one<as<>asfd<asdf>
<asdf>two<asjkdgai><iasj>three<fasdlojk>""")
def filter_line(line):
count=0
ignore=False
result=[]
for c in line:
if c==">" and count==1:
count=0
ignore=False
if not ignore:
result.append(c)
if c=="<" and count==0:
ignore=True
count=1
return "".join(result)
with open('blah.txt') as f:
print "".join(map(filter_line,f.readlines()))
>>>
<>one<>asfd<>
<>two<><>three<>
Sì, ho deciso che potrebbero volere quel secondo ">", ad es. se hai myname-> bob , si otterrebbe myname-> bob, nell'altra situazione si otterrebbe 'bob'. Non è davvero mai l'ideale per analizzare xml rotti. Il mio codice fallisce anche se c'è un nuovo carattere di linea tra i tag "<" ">". Grazie per aver letto il mio codice però –
primo ringraziamento Paulo Scardine, ho usato il tuo re per fare grandi cose. L'idea era di avere un file lib LibreOffice senza tag per scopi di stampa. E ho fatto il seguente script che pulirà il file di aiuto per quelli più piccoli e più facili.
import re
f = open('a.csv')
text = f.read()
f.close()
clean = re.sub('<[^>]+>', ' ', text)
f = open('b.csv', 'w')
f.write(clean)
f.close()
sono i dati sempre di quella forma con uno per riga? – vdbuilder
Vuoi estrarre "qualcosa di" o eliminare il testo tra i delimitatori "<" and ">"? –
Ciao .. I dati hanno più righe ... in sostanza un enorme file Voglio estrarre "qualcosa di" ma usando re e una bella zuppa .. improvvisamente mi lascia con un file vuoto .. non del tutto sicuro del perché .. Ma se posso cancella il testo tra "<" and ">", che ha anche lo stesso scopo :) – Fraz