Python을 사용하여 텍스트 파일에서 SGML 태그를 제거하는 방법은 무엇입니까?

Question

나는 최근에 Standard Generalized Markup Language을 발견했습니다. 나는 EMILLE/CIIL Corpus에서 SGML 형식의 자료를 수집했다.

EMILLE Corpus Documentation

I 파일에서 바로 텍스트 선물을 추출 할이이 신체에 대한 설명서입니다. 문서에서 코퍼스의 인코딩 및 마크 업 정보는 다음과 같습니다.

텍스트는 2 바이트 유니 코드 텍스트로 인코딩됩니다. 유니 코드에 대한 자세한 정보. 텍스트는 레벨 1 CES 준수 마크 업을 사용하여 SGML에 마크 업됩니다. 각 파일에는 텍스트의 출처를 지정하는 전체 머리글도 포함됩니다.

이러한 태그를 제거하는 데 어려움을 겪고 있습니다. 나는 '정규식'뿐만 아니라 '아름다운 수프'로 시도했지만 효과가 없습니다. 이것은 샘플 텍스트 파일입니다. 보존하고 싶은 언어는 펀잡 어입니다.

Answer 1

는 다음을 시도해보십시오

from bs4 import BeautifulSoup 
import requests 

# Assuming this is the url where the file is 
html = requests.get('http://www.lancaster.ac.uk/fass/projects/corpus/emille/MANUAL.htm').content 

bsObj = BeautifulSoup(html) 

textData = bsObj.findAll('p') 

for item in textData: 
    print item.get_text()