微博資料清洗(Python版)__Python

具體介紹請參考： 微博資料清洗(Java版)

本文是Python版本的介紹，只有資料清洗部分不含對Excel的操作，包含去除html標籤和去掉資訊裡的url地址。

Python的代碼相對java簡明了太多

# -*- coding: UTF-8 -*-'''Created on 2013年12月10日@author: daT dev.tao@gmail.com'''import redef dealHtmlTags(html):    '''    去掉html標籤    '''    from HTMLParser import HTMLParser    html=html.strip()    html=html.strip("\n")    result=[]    parse=HTMLParser()    parse.handle_data=result.append    parse.feed(html)    parse.close()    return "".join(result)def dealUrl(text):    '''    去掉微博資訊中的url地址    '''    return re.sub('''http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+''', '',text)        if __name__== "__main__":    html = """接下來一年，我希望在<SPAN style="COLOR: red">惠普</SPAN>電腦看到更人性化，各科技化的東西，更能提升視覺享受的東西。 地址：<A title=http://t.cn/8kUAX2z href="http://t.cn/8kUAX2z" target=_blank suda-data="key=tblog_search_v4.1&value=weibo_feed_url" :3651215114310513>http://t.cn/8kUAX2z<SPAN class=feedico_active></SPAN></A>    """    html =  dealHtmlTags(html)    print dealUrl(html)