нужна функция использовать регулярное выражение для форматирования html строки

Question

input: html

<SPAN id=idxSpan><OBJECT id=IndiDocX codeBase="/IndiDocX.CAB#version=4,5,0,132" classid=clsid:43B180A2-396A-45CE-86D1-9680E4A9952C width=500 height=201 VIEWASTEXT><PARAM NAME="_ExtentX" VALUE="13229"><PARAM NAME="_ExtentY" VALUE="5318"><PARAM NAME="BackColor" VALUE="0"><PARAM NAME="ForeColor" VALUE="0"><PARAM NAME="Enabled" VALUE="True"><PARAM NAME="BackStyle" VALUE="0"><PARAM NAME="BorderStyle" VALUE="0"><PARAM NAME="iWidth" VALUE="800"><PARAM NAME="iHeight" VALUE="200"><PARAM NAME="MainDocUNID" VALUE="AAB092D735084A064825852D00372312"><PARAM NAME="ServerIP" VALUE="zboa3.sinopec.com"><PARAM NAME="DbPath" VALUE="/sinopec4/dep4809/swgl_4809.nsf"><PARAM NAME="DocForm" VALUE="frmIndiDocs"><PARAM NAME="FileInfos" VALUE="<!1!>6E09605B0382AFBA482585290033D844<file_unid>QFGG0L8JG5XF4C389PW5</file_unid><file_name>关于印发《党内关怀帮扶实施细则》的通〔2019〕67号 ）.sep</file_name><file_size>42315</file_size><file_create>2020-3-12 17:34:23</file_create><file_update>2020-3-12 17:34:23</file_update><file_editmodel>0</file_editmodel><doc_unid>4825795A000CAA904825852D0001DA87</doc_unid></!1!><!2!>6E09605B0382AFBA482585290033D844<file_unid>NM6NEGOCXG5PSBMGFVMQ</file_unid><file_name>公司党内关怀帮扶实施标准.docx</file_name><file_size>20581</file_size><file_create>2020-3-12 17:34:26</file_create><file_update>2020-3-12 17:34:26</file_update><file_editmodel>0</file_editmodel><doc_unid>4825795A000CAA904825852D0001DAB0</doc_unid></!2!>
<!3!>6E09605B0382AFBA482585290033D844<file_unid>6M0ZGTE3H0FH4PN9QBT0</file_unid><file_name>公司发〔2020〕19号关于转发《关于印发〈党内关怀帮扶实施细则〉的通知》的通知.pdf</file_name><file_size>95471</file_size><file_create>2020-3-16 18:6:48</file_create><file_update>2020-3-16 18:6:48</file_update><file_editmodel>0</file_editmodel><doc_unid>4825795A000CAA904825852D0036ECE1</doc_unid></!3!>"
><PARAM NAME="Editable" VALUE="True"><PARAM NAME="WordTrack" VALUE="True"><PARAM NAME="WordLock" VALUE="True"><PARAM NAME="UpdInfoDocID" VALUE="4825795A000CAA9048258529003409BE"><PARAM NAME="SessionID" VALUE="554C571D3511CF5D338DC83F58767F21"><PARAM NAME="FileNum" VALUE="0"><PARAM NAME="FileNames" VALUE=""><PARAM NAME="FileSelNames" VALUE=""><PARAM NAME="LockForm" VALUE="True"><PARAM NAME="IsShowTrack" VALUE="True"><PARAM NAME="MenuValue" VALUE="11110000"><PARAM NAME="CanUseHandMark" VALUE="1"><PARAM NAME="CanHandMarkFile" VALUE="1"><PARAM NAME="CanClearHandMarkFile" VALUE="1"><PARAM NAME="HandMarkFileWidth" VALUE="6"><PARAM NAME="CanChangeHandMarkFile" VALUE="1"><PARAM NAME="Version" VALUE="V12"><PARAM NAME="WebServerVersion" VALUE="379"><PARAM NAME="EngFileName" VALUE="true"></OBJECT></SPAN>

Мне нужна функция, позволяющая выводить формат, подобный следующему:

[{'file_name':**value of <file_name>**,'url':http://server.com/**value of <doc_unid>**/$file/**value of <file_unid>****value of <file_name> ext part**}]

Я думаю, что это плохой код, и я не могу получить результат , Я использую bs4 так:

soup = BeautifulSoup(string_html, 'lxml', exclude_encodings='utf-8')
data = soup.find('param', attrs={'name': 'FileInfos'})['value']
soup_data = BeautifulSoup(data, 'lxml', exclude_encodings='utf-8')
for n in soup_data.find_all(name=['doc_unid','file_unid','file_name']):
        print(n.doc_unid)

почему он не может работать ??

html4 = re.sub(r'(\<)(/?)\!(\d+\!)', r'<\g<2>li', html)
soup = BeautifulSoup(html4, 'lxml')
data = soup.find('param', attrs={'name': 'FileInfos'})['value']
data1 = '<ul>' + data + '</ul>'
soup_data = BeautifulSoup(data1, 'lxml')
for n in soup_data.children:
    print(n.doc_unid.string)

почему только одни данные?

Answer 1

Я не знаю, насколько это полезно или уместно, но вы можете попробовать:

import bs4

def getInfo(text,section):
   start = text.index("<"+section+">")+len(section)+2
   end = text.index("</"+section+">")
   return text[start:end]

def format(htmlCode):
   results = {}
   results["file_name"] = getInfo(htmlCode,"file_name")
   results["url"] = "http://server.com/"+getInfo(htmlCode,"file_unid")
   return results

Answer 2

Часть вашей проблемы - строка значения в FileInfos на самом деле не разбирается XML. Смотрите детали, начинающиеся с <!? Это открытая декларация разметки, которая эффективно «закомментирует» эту часть. Похоже, что каждый тег в VALUE экранируется в этой записи с пронумерованным тегом.

Если вы возьмете <!n!> теги открытия и закрытия и замените их на соответствующие <li> и оберните весь блок в <ul></ul>, тогда вы сможете проанализировать этот раздел как обычный xml. Вы можете использовать регулярные выражения, такие как \</?\!(.)\!\>, чтобы найти ваши теги MDO.

Вот пример python фрагмент:

example = '<!1!>stuff</!1!><!2!>things</!2!>'
re.sub(r'(\<)(/?)\!(\d+\!)', r'<\g<2>li', example)
'<li>stuff</li><li>things</li>'

Вам нужно будет добавить теги ul, но это должно помочь вам в этом.

Вот как должен выглядеть весь вывод после обработки:

<ul>
<li>6E09605B0382AFBA482585290033D844
    <file_unid>QFGG0L8JG5XF4C389PW5</file_unid>
    <file_name>关于印发《党内关怀帮扶实施细则》的通〔2019〕67号 ）.sep</file_name>
    <file_size>42315</file_size>
    <file_create>2020-3-12 17:34:23</file_create>
    <file_update>2020-3-12 17:34:23</file_update>
    <file_editmodel>0</file_editmodel>
    <doc_unid>4825795A000CAA904825852D0001DA87</doc_unid>
</li>
<li>6E09605B0382AFBA482585290033D844
    <file_unid>NM6NEGOCXG5PSBMGFVMQ</file_unid>
    <file_name>公司党内关怀帮扶实施标准.docx</file_name>
    <file_size>20581</file_size>
    <file_create>2020-3-12 17:34:26</file_create>
    <file_update>2020-3-12 17:34:26</file_update>
    <file_editmodel>0</file_editmodel>
    <doc_unid>4825795A000CAA904825852D0001DAB0</doc_unid>
</li>
<li>6E09605B0382AFBA482585290033D844
    <file_unid>6M0ZGTE3H0FH4PN9QBT0</file_unid>
    <file_name>公司发〔2020〕19号关于转发《关于印发〈党内关怀帮扶实施细则〉的通知》的通知.pdf</file_name>
    <file_size>95471</file_size>
    <file_create>2020-3-16 18:6:48</file_create>
    <file_update>2020-3-16 18:6:48</file_update>
    <file_editmodel>0</file_editmodel>
    <doc_unid>4825795A000CAA904825852D0036ECE1</doc_unid>
</li>