如何从部分html文本中提取除html标记以外的所有内容？
也就是说，如果我有以下类型的东西：
<div>Hello</div><h3><div>world</div></h3>
我想提取'Hello'，'world‘
我想到了Regex：
>[a-zA-Z0-9]+<
但它不会包含特殊字符和我需要的中文或希伯来语字符
浏览 1提问于2013-02-08得票数 0
1回答
我有一个名为gugong.txt的文本文件，里面有一些中文和英文单词。我想把中文单词提取出来。代码如下：note_file = open('gugong.txt','rb')
note_file = open('gugong.txt','rb')
content = note_file.read()
print type(content)
note_file.close()
sentences = re.split("\W+|[a-zA-Z0-9]+", content, 0, re.UNICODE)
我想问一
浏览 1提问于2013-11-18得票数 0
2回答
我想通过读取PowerShell中文件的每一行来提取两个字符串中的任何一个。
示例：
desc.txt包含：
Description : Attaching new instance: inst-id
Description : Detaching new instance: inst-id
Description : Launching new instance: inst-id
我想逐行阅读desc.txt，如果该行有"Attaching“或"Launching”，请选择inst-id。
通过下面的代码，我只能从两个字符串中提取出一个：
$b=Get-Content .\d
浏览 0提问于2015-01-04得票数 2
试图从文件中提取一些字符串。以下是文件中文本的简化示例：
<modelName>thing1</modelName><gtin>123456789</gtin><description>blah blah blah</description>
<modelName>thing2</modelName><gtin>789456123</gtin><description>blah blah blah</description>
<modelName
浏览 0提问于2018-01-25得票数 1
回答已采纳
我想知道两个单引号和non_ascii字符之间是否有子串。
测试用例：
"abc 'ab中文09中文' 99 '9999' 'abcd' '中文' "
预期结果：
'ab中文09中文'
'中文'
我试过这个regexp：
/'[^a-zA-Z0-9\s]+?'/
只能获得所有非ascii的子字符串'中文'。但我也想要有非ascii的'ab中文09中文'。
我尝试将子字符串与所有ascii字符匹配起来，并反转标准：
/'^([a-
浏览 2提问于2014-10-04得票数 0
回答已采纳
需要用pdf.js解决：
( a)使用pdf.js，可以使用getAnnotations()获得注释，但不能获得与该注释中文本有关的任何信息。如何提取？
b)如何从对象(ref: gen num)获取流，如：
/N: 8 0 R
/Filter:FlateDecode
浏览 0提问于2019-02-08得票数 0
2回答
我是perl的新手，需要您的帮助。
我正在读取目录中文件的内容。我需要从包含*.dat的文件中提取子字符串。
示例字符串：
1) # ** Template Name: IFDOS_ARCHIVE.dat
2) # ** profile for IFNEW_UNIX_CMD.dat template **
3) # ** Template IFWIN_MV.dat **
需要提取：
1) IFDOS_ARCHIVE.dat
2) IFNEW_UNIX_CMD.dat
3) IFWIN_MV.dat
我的代码：
if(open(my $jobprofile, "./pro
浏览 4提问于2016-03-30得票数 0
回答已采纳
我需要对多种语言的文本进行名称实体提取:西班牙语、葡萄牙语、希腊语、捷克语、中文。
有没有这两个函数支持的所有语言的列表？有没有一种方法可以使用其他语料库，以便将这些语言包括在内？
浏览 3提问于2013-02-27得票数 4
回答已采纳
1回答
我有中文帮助.chm文件，在提取chm文件之前，目录表在中文中显示正确，但当我使用keytool或microsoft研讨会提取chm文件时，hhc和hhk文件内容显示一些符号而不是中文单词。我也安装了中文包，但它没有解决。请帮我解决
浏览 9提问于2014-02-10得票数 0
回答已采纳
1回答
我正试着从一个中文网站上获取数据。我已经找到了它在html中的位置，但需要帮助提取文本。我到目前为止：
from bs4 import BeautifulSoup
import requests
page = 'http://sbj.speiyou.com/search/index/subject:/grade:12/gtype:time'
r = requests.get(page)
r.encoding = 'utf-8'
soup = BeautifulSoup(r.text)
div = soup.find('div', class
浏览 2提问于2014-04-03得票数 0
回答已采纳
我想使用正则表达式来识别文本是中文、日文还是德文。
例如，我有一些类似于"MainWindow_Button_save“的文本。
它的德语翻译是"MainWindow_Button_sparen“。
它的中文翻译是"MainWindow_Button_保存“。
日语是"MainWindow_Button_保存“。
我想要一个正则表达式，它可以找到前缀"MainWindow_Button，并确定下面的文本是否为中文/日文/德文。我不太关心这篇文章。我唯一关心的是它是用哪种语言编写的。
我所做的就是这个"^MainWindow_Button_[^a-
浏览 6提问于2014-09-30得票数 1
我经常需要提取Python中文件的扩展名。我们在网络上经常看到的用于此类任务的代码是使用os.path.splitext的。
fpath = "C:/I/am/hap.py"
ext = os.path.splitext(fpath)[-1]
有什么理由比使用re.sub (这很容易记住)更好呢？
fpath = "C:/I/am/hap.py"
ext = re.sub(r'.*\.', '.', fpath)
注:每个解决方案中的字符数相同:)
浏览 1提问于2018-02-12得票数 0
回答已采纳
我正在写一个网络爬虫来获取一些中文网页文件。获取的文件以utf-8编码。我需要读取这些文件来做一些解析，比如提取URL和中文字符。但我发现，当我将文件读入std::string变量并将其输出到控制台时，中文字符变成了垃圾字符。我将boost::regex应用到std::string变量中，可以提取除中文字符以外的所有URL。
我该如何解决这些问题呢？
P.S.我的CPP文件默认编码为ANSI码，操作系统为中文Win8；
浏览 1提问于2013-11-25得票数 5
回答已采纳
我可以使用类似case的东西在substring_index中提供多个匹配模式吗？
更具体地说，在我的例子中，我可以根据它们的ascii匹配一组字符吗？
增加一些例子：
中文Q100
中文T800
中文中文K999
字符串从一些汉字开始，然后跟着一些数字或拉丁字母，我想要把字符串分成两个部分:一个包含汉字(从最左边到第一个西方字母)，另一个是从第一个西方字母到最右边的字母。
就像这样：
中文, Q100
中文, T800
中文中文, K999
浏览 4提问于2014-06-24得票数 3
回答已采纳
3回答
我试图比较div中文本的值(这是一个句子)。和js变量中定义的文本：
function isSame(){
s="This is a sentence."
var text1 = $('#right').text();
var t1 = text1.replace(/ /g,'').replace(/ /g, '').replace(/\<br\s*[\/]?>/gi, '').replace('\t','');
var s1
浏览 5提问于2016-04-05得票数 0
回答已采纳
1回答
我想在视野中展示“繁體中文”，“简体中文”。
我使用Locale.displayname获取displayname，参数是"zh-Hant“和”zh“，该值将返回”中文(繁體)“和”中文(简体)“。
下面是我的代码的一部分：
let loacleName = locale.displayName(forKey: NSLocale.Key.identifier, value: "zh-Hant")
有人知道如何从iOS函数中获得“繁體中文”，“简体中文”吗？
浏览 1提问于2019-09-02得票数 1
回答已采纳
我有一个列表，我想从那些具有以下模式的元素中提取文本的一部分：
<Start of string><Less than 30 characters> advocate. versus
我只想要<Start of string><Less than 30 characters>部分
我认为本应运行但没有运行的代码：
a = re.search('^.{,30}advocate. versus', text).group(1)
和
a = re.search('^(.{,30})advocate. versus', t
浏览 0提问于2020-03-06得票数 0
为什么正则表达式[:alpha:]也匹配Notepad++中的中文单词？例如，中文
根据Notepad++的文档
alpha :ASCII码字母
中文单词不是ASCII字母，那么为什么正则表达式匹配它们呢？
浏览 37提问于2015-12-08得票数 17
回答已采纳
如何访问Js render模板中的中文json数据。
有没有人能告诉我最新的情况？
<script type="text/x-jsrender">
<div>
<em>Name:</em> {{:代理商}}
</div>
</script>
[data:
[
{
"代理商": "Robert",
}
]
浏览 18提问于2016-07-21得票数 1
4回答
在RoR中，如何验证带有utf8代码的电子公告表单的中文或日文单词。
在GBK代码中，使用\u4e00-\u9fa5+来验证中文单词。在Php中，它使用/^\x{4e00}-\x{9fa5}+$/u来处理utf-8页面。
浏览 0提问于2008-11-02得票数 11
1回答
如何提取反应库来分离包？
、、、、
是否可以通过Webpack 4提取ReactDOM和(或)ReactDOM库来分离包？例如，我有ReactDOM应用程序，其中包括ReactDOM、ReactDOM和Moment.js包。因此，我期望得到两个包的结果：
react.js = react +react dom
main.js =矩+ app组件
如何将包拆分成依赖于包的名称而不取决于入口点使用频率的包？
浏览 2提问于2018-09-13得票数 1
回答已采纳
2回答
现在我的应用程序需要检查输入。我可以识别输入的是中文、英文还是数字，但也有中文和英文的特殊字符。怎么检查这个？
中文模式下的特殊字符和英文模式下的特殊字符不同，如下所示：
chineseMode: ， 。
EnglishMode：, .
谢谢你的回答。
浏览 0提问于2013-03-28得票数 0
2回答
$str = "This is a string containing 中文 characters. Some more characters - 中华人民共和国 ";
如何从该字符串中检测中文字符，并打印以第一个字符开头、以"-“结尾的部分？(应该是"中文characters. Some more characters -")。
谢谢!
浏览 1提问于2009-10-11得票数 9
回答已采纳
3回答
从MySQL导出中文字符
、、、
我在将查询结果导出到XLS文件时遇到中文字符问题。在我的数据库中，汉字是以这样的编码格式存储的
新里程集团
当我在网页上显示这些字符时，它们会在PHP提供的头函数的帮助下自动转换为标准中文字符。但是我们希望从MySQL中提取具有标准中文字符的XLS文件的中文字符。
浏览 3提问于2011-05-23得票数 3
回答已采纳
3回答
PHP:使字符串可单击
、、、、
对于普通话学习工具，我想在一个词内为每个中文“字符”创建链接。例如，我有一个中文单词"自行车“(自行车)。然后我想让这三个字中的每一个都“可点击”。
$word = '自行车';
其产出应是：
$output = "<a href='?char=自'>自</a>
<a href='?char=行'>行</a>
<a href='?char=车'>车</a>";
有人知道怎么做吗？
浏览 2提问于2019-11-06得票数 1
回答已采纳
我在iphone中有PDF格式的中文电子书。所以我想从PDF中提取中文单词并转换成英文，这在iphone中使用objective-C是可能的
谢谢
浏览 2提问于2011-06-03得票数 0
我有一个文本文件，我想使用Unix命令(我不在乎哪些)来打印包含中文字符或包含字符串###的行。
这个答案有一个grep命令，用于打印包含汉字的行。
grep -P '[\p{Han}]' filename.txt
据我所知，这是一个Perl正则表达式。这将打印出包含###的行：
grep '###' filename.txt
但我想不出怎么把它们结合起来。如果我像我所期望的那样做grep -e '###' -P '[\p{Han}]'，这个答案就会泛化，它不会打印出包含汉字的行。
问:如何使用Unix命令打印包含汉字的行或包含#
浏览 0提问于2022-04-01得票数 4
回答已采纳
1回答
我尝试使用clickhouse SQL从字符串中提取中文字符。 我使用： select extractAll('dkfdfjsd1234中文字符串', '[a-zA-Z]') 它可能会成功返回： ['d','k','f','d','f','j','s','d'] 现在我想像这样提取中文，我试过了： select extractAll('dkfdfjsd1234中文字符串', '[\u4e00-\u9fa5]&#
浏览 621提问于2021-03-26得票数 0
回答已采纳
1回答
我一直在使用Tesseract 3.0.2 OCR SDK进行图像文本提取。但是，如果我使用中文文本图像并通过OCR，则Tesseract不会为我提供中文字符，而是我将获得数字和英文字符。但我需要在我使用的图像中显示的中文字符。
我如何才能做到这一点？有没有办法获得中文字符而不是其他字符？
浏览 7提问于2013-05-16得票数 16
回答已采纳
我需要使用正则表达式捕获Unix文件名中无效的任何非法字符，例如空格，但不包括日语、中文字符等(这些是Unix文件名中的有效字符)。请建议什么应该是正确的正则表达式。
例如：
源串：RE MCS CONS対応依頼（CarePack購入希望 ありたみつのぶ'様）
目标字符串:除有效的日文中文字符外，不能包含任何特殊字符。
我想将空格和空格字符替换为_(在分数下)。因此，最终的字符串应该只包含英文字母数字字符、_(分数下)、有效的日语和中文字符。因此我使用最后一个字符串作为文件名在UNIX中创建一个文件。
浏览 1提问于2014-05-06得票数 0
我想使用@ font -face将中文字体导入到我的站点中。但是我们都知道，中文字体总是很大。由于我一次只使用不超过十个汉字，我想知道如何从一个中文字体中提取几个字符？
Tks~
浏览 1提问于2011-03-27得票数 2
回答已采纳
1回答
有没有一种方法可以检测字符串中的中文字符，该字符串的结构如下：
dim test as string = "letters 中國的"
现在我只想对中文字符进行子串操作。但是我的代码是数据库驱动的，所以我不能子串它，因为长度总是不同的。那么，有没有一种方法可以从我检测到中文字符的那一刻起拆分字符串呢？
浏览 0提问于2011-11-30得票数 1
回答已采纳
Apache Tika能够提取像中文、日文这样的外语吗？
我有以下代码：
Detector detector = new DefaultDetector();
Parser parser = new AutoDetectParser(detector);
InputStream stream = new ByteArrayInputStream(bytes);
OutputStream outputstream = new ByteArrayOutputStream();
ContentHandler textHandler = new BodyCont
浏览 2提问于2013-03-26得票数 5
3回答
中文文档的句子拆分
、、、
我必须将中文文本分成多个句子。我试过斯坦福大学的DocumentPreProcessor。它在英语上运行得很好，但在中文上就不行。
请你能让我知道有什么好的中文分句最好是在Java或Python。
浏览 3提问于2014-12-12得票数 5
import re
code1 = '''
b = -9
a = b + c
year = 2000
month = 0xA
date = 0b1101
sec = 1.8E3
d_1 = year + month
d_2 = date * sec
err = 0o0.1
'''
我得到了这段文字，我必须从这里提取所有的文字字符串。我正在使用拆分方法，并取得了很大的进步，但我不知道如何表示文字字符串。我发现我可以用regex。
有人能帮我做一个只提取文本中文字字符串的正则表达式吗？
lst_str = ['b', 'a&#
浏览 3提问于2020-12-14得票数 0
回答已采纳
在我的Jmeter示例响应中包含一个CSRF令牌，如何使用正则表达式提取器提取它？
app.load( {"system":true,"redirect":false,"name":"login\/js\/index","url":"login","container":"#pyModule","scope":null,"infinite":false,"action":{"method":"up
浏览 0提问于2021-01-20得票数 0
我做了一个程序。程序获取了一个utf8字符串，并将其拆分成单词。对于拉丁字符，这很简单。基于空间拆分。对于汉字来说，这也很简单。每个字符都是一个单词。
如果字符串混合了怎么办？
我该怎么办？
我想我可以检测出这个字符是否是中文，或者这个字符是空格分隔的单词还是没有分隔的单词。
执行此操作的标准方法是什么？
例如，我想拆分
或者我应该根据任何非字母数字(包括非拉丁字母和重音上的其他字母数字？)进行拆分。如果是这样，我应该如何继续？是否有匹配字母数字、重音单词、希伯来语alibeth、阿拉伯abjad等内容的正则表达式？
我喜欢马进
I
Like
Horse
我想将北小金駅南口第1自転車駐車場拆分
浏览 0提问于2012-09-14得票数 0
我知道如何在Notepad++中删除替换字符的一些基本知识，但是我有一个非常复杂的中文姓氏列表，除了姓氏本身之外，我想删除所有的东西。这是一份清单的样本。
Zhao4 1趙(将货物退回原主；迅速离开)，Chao4 (韦德-贾尔斯)，周，丘，朱(粤语)，邱
Qian2 2錢2(现金、硬币、货币)、Ch‘錢2(韦德-贾尔斯)
Sun1 (孙子，后代，MoyGen#41 )，Suen3 r39
所以我只想留在这里-
赵某
钱氏
太阳
所以我想我要删除第一个英文字母(Z，Q，S)之前的所有内容，然后从第一个数字开始删除所有东西？
我试着找更干净的名单，但中文名字很难找到。
浏览 10提问于2016-05-05得票数 0
回答已采纳
我正在做语言分割项目。我对英语应用了语言分割，方法是使用正则表达式断开字符串。(“句号”)。现在我想提供以下语言(中文，阿拉伯语，日语，俄语，韩语，荷兰语，印地语，希腊语，乌尔都语)的支持。我想在句号上打断上面提到的语言字符串。
例如：
对于中文，句号是。(Unicode值U+3002)字符串
以有效應對各種事態」。他還表示，希望以符合21世紀的方式切實深化美日同盟關係。
预期结果
Segment 1 :- 以有效應對各種事態」。
Segment 2 :- 他還表示，希望以符合21世紀的方式切實深化美日同盟關係。
同样的逻辑我必须申请其他语言(阿拉伯语，日语，俄语，韩语，荷兰语，印地语，希腊语
浏览 4提问于2010-10-26得票数 0
我有一个包含英文和中文零件名称的列。
例如“用垫圈拧紧-玻璃板螺丝”
如何在SQL Server中从该字符串中提取中文名称？这有可能吗？
谢谢你的帮助。
浏览 2提问于2012-08-29得票数 1
回答已采纳
2回答
在Python中使用中文
、、、
我正在尝试用Python处理中文文本和大数据。部分工作是从一些不需要的数据中提取干净的文本。为了实现这个目标，我使用了正则表达式。然而，我在Python regex中遇到了一些问题，就像在PyCharm应用程序中一样：
1)数据存储在postgresql中，并在列中显示良好，但选择并拉取到var后，显示为正方形：
当打印到控制台的值如下所示：
薄荷曼秀雷敦男士深层活炭洁面乳100g(新包装)
因此，我假设应用程序编码没有问题，但编码的调试部分没有问题，然而，我没有找到任何针对这种行为的解决方案。
2)我需要注意的正则表达式的示例是删除包含它们的中文括号之间的值。我使用的代码是：
#!/u
浏览 5提问于2015-03-19得票数 1
我有文本文件包含以下文本，我需要根据条件进行过滤。
CODE=0xea00e60c
CODE=0xea00e60d
OUTPUT="HW Address: 91183010\n,HWType:00000030\n"
CODE=0xea00e60e
CODE=0xea01ff00
如果该行以代码开头，则从第一行中提取0x(例如ea00e60c)后的所有内容，并粘贴到xyz文件中。如果行以输出开头，则提取双引号下的所有内容并粘贴到xyz文件中。对XYZ文件中文本的提取和放置顺序进行维护。
def filter_logs(filename)
postcod
浏览 0提问于2019-02-14得票数 1
我正在尝试标记一个文件中的所有拉丁字母组成，例如：
This is English. 这是中文。 This is more English.
这将被标记为：
\english{This is English.} 这是中文。 \english{This is more English.}
我尝试使用sed来标记这些单词：
sed 's/[A-Za-z0-9 ]*/\\english{&}/g' file
运行后，它基本上是正确的，但是，它也是在所有中文字符之间放置标记，例如：
\english{This is English.} 这\english{}是\english{
浏览 6提问于2012-09-16得票数 0
回答已采纳
有人从新加坡报告说，他不能注册我的网站。该网站是一个Django项目，我们使用django-注册模块。有关密码字段的错误消息显示：
this value may contain only letters, numbers and etc
用户说他的密码只使用了拉丁字母，但他有一个中文键盘，他的系统(Windows)被配置为中文输入。我不知道如何在我的开发环境中重现这个问题。
有没有人知道是什么导致了这个问题？django注册是否意味着使用非ASCII字符？用户说他只使用了拉丁字符，所以问题可能是他的密码被编码为Unicode，但我不是很确定。
任何帮助都将不胜感激。
浏览 1提问于2012-08-15得票数 2
回答已采纳
如何通过正则表达式提取此链接的m3u8？
我希望extract的结果类似于：
当我们检查这个链接的源代码时，有：
<video id="player" class="video-js vjs-default-skin" autoplay controls preload="auto" width="640" height="360" data-setup='{}'>
<source src="http://live.tvplayerlati
浏览 1提问于2017-05-12得票数 1
1回答
使用python 2.7
我试图写一个正则表达式，可以识别任何utf-8数字0-9 (不仅仅是阿拉伯数字，也包括简体中文)和任何unicode字字符。
例如，我有：
4_1424336,P-九
(九是中文9)。
我想回来：
9_9999999,A-9
我目前的职能是：
def multiple_replace(myString):
myString = re.sub(ur'(?u)[^\W_*\d]', u'A', myString)
myString = re.sub(ur'(?u)[\d]', u'9', m
浏览 6提问于2013-11-30得票数 0
4回答
如果我有不同的字符串，其中文本后面跟着空格，然后是文本，那么如何解析从第二个文本块中的第一个字符开始的子字符串呢？
例如:如果我有一个字符串：
"stringA stringB"
如何提取子串？
"stringB"
字符串的长度各不相同，但都采用以下格式。
我确信用正则表达式可以很容易地做到这一点，但是我在为c#找到合适的语法时遇到了麻烦。
浏览 1提问于2010-02-10得票数 2
回答已采纳
下面是grep命令：
grep "%SWFPATH%/plugins/" filename
及其输出：
set(hotspot[hs_bg_%2].url,%SWFPATH%/plugins/textfield.swf);
set(hotspot[hs_%2].url,%SWFPATH%/plugins/textfield.swf);
url="%SWFPATH%/plugins/textfield.swf"
url="%SWFPATH%/plugins/scrollarea.swf"
alturl="%SWFPATH%/plugins
浏览 3提问于2013-06-07得票数 1
回答已采纳
我正在尝试提取bash脚本中文件扩展名之前的最后一个数字。所以格式会有所不同，但它将是数字和字母的某种组合，最后一个字符始终是一个数字。我需要提取这些数字并将它们存储在一个变量中。
格式一般为：
sdflkej10_sdlkei450_sdlekr_1.txt
我只想把最后一个数字1存储到一个变量中。
我将使用它遍历大量文件，最后一个数字将变为两位数和三位数。
因此，对于这个文件：
kej10_sdlkei450_sdlekr_310.txt
我需要返回310。
字母数字字符和下划线的数量因文件而异，但我想要的数字始终紧跟在.txt扩展名之前和下划线之后。
我试过了：
bname=${f%%.
浏览 0提问于2013-09-04得票数 3
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
