Python

Question

我正在使用以下 Python - Beautifulsoup 代码从文本文件中删除 html 元素：

from bs4 import BeautifulSoup

with open("textFileWithHtml.txt") as markup:
    soup = BeautifulSoup(markup.read())

with open("strip_textFileWithHtml.txt", "w") as f: 
    f.write(soup.get_text().encode('utf-8'))

我的问题是如何将此代码应用于文件夹（目录）中的每个文本文件，并为每个文本文件生成一个经过处理的新文本文件以及 html 元素等. 被删除，而不必为每个文本文件调用该函数？

Answer 1

我会将这项工作留给 OS，只需将硬编码输入文件替换为 argv 数组中来自外部源的输入，然后在循环内或使用正则表达式调用脚本匹配许多文件，例如：

from bs4 import BeautifulSoup
import sys

for fi in sys.argv[1:]:
    with open(fi) as markup:
        soup = BeautifulSoup(markup.read())

    with open("strip_" + fi, "w") as f: 
        f.write(soup.get_text().encode('utf-8'))

和运行它喜欢：

python script.py *.txt

Answer 2

glob 模块可让您列出目录中的所有文件：

import glob
for path in glob.glob('*.txt'):
    with open(path) as markup:
        soup = BeautifulSoup(markup.read())

    with open("strip_" + path, "w") as f: 
        f.write(soup.get_text().encode('utf-8'))

如果您还想对每个子文件夹递归执行此操作，请查看 os.walk

Python - beautifulsoup，应用于文件夹中的每个文本文件并生成新的文本文件

Python - beautifulsoup, apply in every text file in folder and produce new text file

html

tags

beautifulsoup