Вот решение, я должен был использовать, чтобы все работало правильно - обратите внимание, что HTML анализатор не делал все, что хотел с моей набор данных
/USR/BIN/Python3
import html.parser
import string
import sys
# Amount of lines to put into a buffer before writing
BUFFER_SIZE_LINES = 1024
html_parser = html.parser.HTMLParser()
# Few HTML reserved chars that are not being cleaned up by HTMLParser
dict = {}
dict[ '"' ] = '"'
dict[ ''' ] = "'"
dict[ '&' ] = '&'
dict[ '<' ] = '<'
dict[ '>' ] = '>'
# Process the file
def ProcessLargeTextFile(fileIn, fileOut):
r = open(fileIn, "r")
w = open(fileOut, "w")
buff = ""
buffLines = 0
for lineIn in r:
lineOut = html_parser.unescape(lineIn)
for key, value in dict.items():
lineOut = lineOut.replace(key,value)
buffLines += 1
if buffLines >= BUFFER_SIZE_LINES:
w.write(buff)
buffLines = 1
buff = ""
buff += lineOut + "\n"
w.write(buff)
r.close()
w.close()
# Now run
ProcessLargeTextFile(sys.argv[1],sys.argv[2])
!
Это слишком общий характер. многие языки имеют такие особенности. Кроме того, если вы используете правильный синтаксический анализатор XML, эти экраны не будут отображаться в ваших строках в первую очередь. –
Я просил о способе деконвертировать санитарию - мне все равно, как это сделать. PS его 30Gb – mcdoomington