提取xml格式新闻内容

最新推荐文章于 2022-11-25 21:45:54 发布

sunnychou0330

最新推荐文章于 2022-11-25 21:45:54 发布

阅读量910

点赞数 1

CC 4.0 BY-SA版权

分类专栏：文本处理 python python-基础 word2vec 文章标签： bs4 xml 正则表达式新闻提取

本文链接：https://blog.youkuaiyun.com/m0_37693335/article/details/77835829

最开始解决方案有两种：
1）使用正则表达式，匹配xml格式中的所有中文字符。
2）使用BeautifulSoup的get_text()方法提取新闻内容
第一种方法，在进行中，后面更新
本文只展示第二种方法，因为无意之间发现了这个方法，简直不要太方便。
以下是初始文本，文本比较长，只展示了部分：

<?xml version="1.0" encoding="UTF-8"?>

<Body> 
    <Title>成都网友称震感强烈 女同事当即哭泣</Title>  
    <ReportTime type="absTime">2008年05月12日16:15</ReportTime>  
    <Content>　 
        <Paragraph> 
            <Sentence> 
                <Event eid="e1">
                    <Time type="relTime" tid="t1">5月12日14时28分</Time>，
                    <Location lid="l1">四川</Location>发生7.8级
                    <Denoter type="emergency" did="d1">地震</Denoter>。
                </Event> 
            </Sentence> 
        </Paragraph>  
        <Paragraph> 
            <Sentence> 
                <Event eid="e2">
                    <Time type="absTime" tid="t2">15时50分</Time>，新民网
                    <Participant sid="s1">记者</Participant>网上
                    <Denoter type="action" did="d2">连线</Denoter>成都网友
                    <Participant oid="o2">姚先生</Participant>
                </Event>。
            </Sentence>  
            <Sentence> 
                <Event eid="e3">
                    <Participant sid="s3,s4,s6,s7,s8,s9,s10">姚先生</Participant>
                    <Time type="relTime" tid="t3">当时</Time>正在
                    <Location lid="l3">成都市武侯区的办公室</Location>
                    <Denoter type="action" did="d3">打电话</Denoter>，
                </Event>  
                <Event eid="e4" type=