Python-сообщество

Друзья, всем добра.

я во многом чайник, но хочется сделать одну штуку.
Есть файл rtf либо html. в этом файле кучка информации, в том числе в виде таблиц.
Хочется через питон по заранее известному тэгу найти строчку в этом файле и взять из нее число.
Сделать эту задачу с ТХТ-файлами получилось довольно легко.
А вот на RTF и HTML затормозил.
В чем здесь фишка? нужно ли использовать какие-то дополнительные библиотеки или модули? Можно ли обращаться к этим файлам так же, как и к ТХТ?
Мой код для ТХТ вот:
[

from __future__ import print_function
import io
noWord='Нет cовпадений'
word = u'рпы'
with io.open('L:/file.docx', encoding='cp1251') as file:
    for line in file:
        if word in line:
            print(line, end='')
            [int(s) for s in line.split() if s.isdigit()]
            #int(aa)
            print(s)
        else:
            print(noWord.decode('utf-8'))
input()]

lexa24
А вот на RTF и HTML затормозил.

lexa24
with io.open('L:/file.docx', encoding='cp1251') as file:

lexa24
обращаться к этим файлам так же, как и к ТХТ?

lexa24
В чем здесь фишка?

Отредактировано doza_and (Дек. 27, 2015 15:44:04)

doza_and

Удобнее всего общаться со стандартными форматами например csv для таблиц. Ну или текстовым файлом.
(вы ведь для него написали уже обработчик :) ).
для docx есть довольно удобный https://python-docx.readthedocs.org/en/latest/. Наверное будет примерно одинаково сложно сохранить docx как текст и распарсить как вы уже делали, или вытащить данные при помощи python-docx.

p.s.
если вам нужны данные, причем в понятном для человека виде, и вы вольны сами выбирать формат, то лучше использовать форматы csv, json, yaml. Окончательный выбор зависит от структуры данных.

Отредактировано doza_and (Дек. 27, 2015 20:07:01)

doza_and
лучше использовать форматы csv, json, yaml. Окончательный выбор зависит от структуры данных.

html однозначно лучше чем rtf.
Маленький совет по технологии. Вообще html это текстовый файл. Вы можете посмотреть его внутреннее устройство при помощи текстового редактора (конечно не ворда ну чтото типа notepad++).

Если вытаскивать надо небольшие кусочки, то часто используют регулярные выражения см модуль re

doza_and
html однозначно лучше чем rtf.Маленький совет по технологии. Вообще html это текстовый файл. Вы можете посмотреть его внутреннее устройство при помощи текстового редактора (конечно не ворда ну чтото типа notepad++).Если вытаскивать надо небольшие кусочки, то часто используют регулярные выражения см модуль re

from __future__ import print_function
from bs4 import BeautifulSoup
from urllib2 import urlopen
import io
#ПЕРЕВОД ИЗ HTML В ТХТ
 
html_doc = urlopen('file:///L:/File.html').read()
soup = BeautifulSoup(html_doc)
 
#print html_doc
f=open(r"L:\File2.txt",'w')
f.write(str(soup))
f.close
#СФОРМИРОВАН ФАЙЛ File2.txt, СОДЕРЖАЩИЙ СТРУКТУРИРОВАННЫЙ КОД ДОКУМЕНТА HTML
#ПОИСК ЗНАЧЕНИЯ В ФАЙЛЕ ТХТ
#noWord='Нет cовпадений'
word = u'<td>Напряжение по Мизесу</td>'
with io.open('L:/File2.txt', encoding='utf-8') as file:
    for line in file:
        if word in line:
            print(line, end='')
            [int(s) for s in line.split() if s.isdigit()]
            #int(aa)
            print(s)
        #else:
           #print(noWord.decode('utf-8'))
input()

Отредактировано lexa24 (Дек. 31, 2015 11:05:56)

lexa24
это удобно делать через РегЭксп

f=open(r"L:\File2.txt",'w')
f.write(str(soup))
f.close()
word = u'<td>Напряжение по Мизесу</td>'
with io.open('L:/File2.txt', encoding='utf-8') as file:
    for line in file:
        if word in line:
            print(line, end='')
            [int(s) for s in line.split() if s.isdigit()]

import re
print(re.findall("....",soup))

doza_and
Все это :
f=open(r“L:\File2.txt”,'w')
f.write(str(soup))
f.close()
word = u'<td>Напряжение по Мизесу</td>'
with io.open('LFile2.txt', encoding='utf-8') as file:
for line in file:
if word in line:
print(line, end='')

с регулярными выражениями не нужно.

doza_and

#noWord='Нет cовпадений'
word = u'<td>Напряжение по Мизесу</td>'
with io.open('L:/File2.txt', encoding='utf-8') as file:
    for line in file:
        i=i+1
        if word in line:
            print(line, end='')
         
            break
        #else:
           #print(noWord.decode('utf-8'))
print(i)
i=i+2
napr=linecache.getline("L:\File2.txt",i)
print (napr)
input()