如何“清理”feedparser中的所有条目

Question

我把我的博客备份成了谷歌的XML格式，文件挺长的。到目前为止，我做了这些：

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

在我正在读的书里，作者是这样做的：

>>> 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))

这样的方法对我逐条处理是有效的。正如你所看到的，我已经有了一种用NLTK清理HTML的方法。但我真正想要的是一次性抓取所有条目，清理掉HTML（我已经知道怎么做了，不用再问这个，请仔细读一下问题），然后把它们写入一个文件，作为纯文本字符串。这更涉及到如何正确使用feedparser。有没有简单的方法可以做到这一点？

更新：

结果我还是没找到简单的方法。因为我对Python不太熟练，只好做了一些比较笨的方法。

这是我想的办法：

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，非常感谢你，@Rob Cowie，但你的版本（看起来很不错）并没有成功。我为没有早点指出这一点而感到抱歉，也为接受了那个答案感到不好，但我没有太多时间来处理这个项目。下面的内容是我能做到的，但我会把这个问题留着，以防有人有更优雅的解决方案。

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()

然后我按CTRL-D退出了解释器，因为我不知道怎么在不关闭Python的标准输出的情况下关闭打开的文件。之后我重新进入了解释器，打开文件，读取文件，然后从那里清理HTML。（顺便说一下，nltk.html_clean是NLTK书籍在线版本中的一个错别字，实际上应该是nltk.clean_html）。最后得到的结果几乎是纯文本，但还不是完全的。

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)

基本上，你需要打开一个文件，然后逐个查看里面的内容（feed.entries），根据需要处理这些内容，并把处理后的结果写入文件中。

我不假设你想用什么方式来分隔文本文件中的帖子内容。这个代码片段也没有把帖子标题或者任何其他信息写入文件。