在Python中每N个词拆分HTML

Question

有没有办法在一个很长的HTML字符串中，按照N个单词来进行切分呢？显然，我可以使用：

' '.join(foo.split(' ')[:n])

来获取一段普通文本的前n个单词，但这样可能会在HTML标签的中间切分，这样就会产生无效的HTML，因为没有关闭那些已经打开的标签。

我需要在一个zope / plone的网站上做到这一点——如果这些产品中有什么标准的方法可以实现，那就最好不过了。

举个例子，假设我有这样的文本：

<p>This is some text with a 
  <a href="http://www.example.com/" title="Example link">
     bit of linked text in it
  </a>.
</p>

如果我要求它在5个单词后切分，它应该返回：

<p>This is some text with</p>

7个单词：

<p>This is some text with a 
  <a href="http://www.example.com/" title="Example link">
     bit
  </a>
</p>

Answer 1

我想提一下Python里自带的基础HTMLParser，因为我不太确定你想要达到的最终结果是什么，这个工具可能会帮到你，也可能帮不到你，你主要会使用处理器来完成工作。

Answer 2

我听说 Beautiful Soup 在解析HTML方面非常厉害。它可能会帮助你得到正确的HTML输出。

Answer 3

看看这个 truncate_html_words 函数，它在django.utils.text里。即使你不使用Django，这里的代码也正好能满足你的需求。