首先不需要关心HTML格式文件具体是什么内容(电子病历还是其他网页啥的),这篇主要内容是介绍如何用Python批量处理HTML格式文件、TXT格式文件,以及Python字典列表导出到EXCEL的一种解决方法。
我的原始数据是200+条HTML格式的入院记录
如上图所示,我关心的内容都在这些P标签里面
首先用BeautifulSoup包来处理HTML内容,提取到TXT文件如图所示
from bs4 importBeautifulSoupimportre#创建BeautifulSoup对象
bs=BeautifulSoup(open('D:/rxa/1.html'),features='lxml')#获取所有文字内容#print(soup.get_text())
#获取所有p标签的文字内容,写入TXT文件
for item in bs.find_all("p"):
ptxt=re.sub('\s', ' ', item.get_text())
with open('d:/testvs/cutwords/test2.txt', 'a',encoding='utf-8') as f:
f.write(ptxt+'\n')
观察发现,这些属性都是由“:”分隔的,可以作为切分的依据。我想到在C#里面,我会定义一个类,比如“病人类”,然后“年龄、入院日期、婚否......”这些都可以作为类的属性传