如何「清除」Feedparser Feed中的所有條目

Question

我以Google的XML格式備份了我的博客。這很長。到目前爲止，我已經做到了這一點：

>>> import feedparser 
>>> blogxml = feedparser.parse('blog.xml') 
>>> type(blogxml) 
<class 'feedparser.FeedParserDict'> 

在這本書中，我閱讀，筆者做這個的：

>>> import feedparser 
>>> llog = feedparser.parse("http://languagelog.ldc.upenn.edu/nll/?feed=atom") 
>>> llog['feed']['title'] u'Language Log' 
>>> len(llog.entries) 15 
>>> post = llog.entries[2] 
>>> post.title u"He's My BF" 
>>> content = post.content[0].value 
>>> content[:70] u'<p>Today I was chatting with three of our visiting graduate students f' 
>>> nltk.word_tokenize(nltk.html_clean(content)) 

這對我的作品中的條目按入門基礎。正如你所看到的，我已經有了一種使用NLTK清理HTML的方法。但我真正想要的是獲取所有條目，清除HTML（我已經知道該怎麼做，並且不會問怎麼做，請仔細閱讀這個問題），然後將它們寫入文件中明文字符串。這與正確使用feedparser有關。有沒有簡單的方法來做到這一點？

更新：

我還沒有接近，事實證明，尋找一種簡單的方法來做到這一點。由於我對Python的無能，我不得不做一些有點醜陋的事情。

這就是我想我會做的事：

import feedparser 
import nltk 

blog = feedparser.parse('myblog.xml') 

with open('myblog','w') as outfile: 
    for itemnumber in range(0, len(blog.entries)): 
     conts = blog.entries[itemnumber].content 
     cleanconts = nltk.word_tokenize(nltk.html_clean(conts)) 
     outfile.write(cleanconts) 

所以，非常感謝你，@Rob考伊，但你的版本（這看起來很棒）沒有工作。我感到不好，因爲沒有早點指出，接受答案，但我沒有太多時間來處理這個項目。我在下面寫的東西是我能夠工作的所有東西，但是我會留下這個問題，以防有人擁有更優雅的東西。

import feedparser 
import sys 

blog = feedparser.parse('myblog.xml') 
sys.stdout = open('blog','w') 

for itemnumber in range(0, len(blog.entries)): 
    print blog.entries[itemnumber].content 

sys.stdout.close() 

然後我CTRL-D'ed出解釋器，因爲我不知道如何關閉打開的文件，而不關閉Python的標準輸出。然後我重新進入解釋器，打開文件，讀取文件，並從那裏清理HTML。 （nltk.html_clean是NLTK書本身的在線版本中的錯字，順便說一下......它實際上是nltk.clean_html）。我最終以幾乎但不完全是明文。

Answer 1

import feedparser 
llog = feedparser.parse("http://languagelog.ldc.upenn.edu/nll/?feed=atom") 

with open('myblog.txt', 'w') as outfile: 
    for entry in llog.entries: 
     ## Do your processing here 
     content = entry.content[0].value 
     clean_content = nltk.word_tokenize(nltk.html_clean(content)) 
     outfile.write(clean_content) 

從根本上說，你需要打開一個文件，重複的條目（feed.entries），處理條目需要和編寫相應的表示該文件。

我不假定你想如何分隔文本文件中的發佈內容。該片段也不會將帖子標題或任何元數據寫入文件。

Answer 2

見 Extracting text from HTML file using Python