Вы можете использовать этот код:
import unicodedata
s = "ˈtau̯rum"
a = ""
for c in s:
if unicodedata.combining(c):
a += c
else:
print(a)
a = c
else:
print(a)
Таким образом, вы комбинируете комбинирующие символы. Вы можете заменить print(a)
хранилищем кодов, которые должны храниться вместе.
Смотрите на функцию truncate_html_words в django.utils.text. Даже если Вы не используете Django, код там делает точно, что Вы хотите.
Я услышал, что Красивый Суп очень хорош в парсинге HTML. Это, вероятно, сможет помочь Вам вывести корректный HTML.
Я собирался упомянуть основной HTMLParser, это создается в Python, так как я не уверен, какова конечный результат Ваша попытка добраться до, это может или не может получить Вас там, Вы будете работать с обработчиками, прежде всего,
Можно использовать соединение regex, BeautifulSoup или Опрятный (я предпочитаю BeautifulSoup). Идея проста - разделяют все HTML-тэги сначала. Найдите энное слово (n=7 здесь), найдите количество раз, энное слово появляется в строке до n слова - потому что Вы только ищете последнее вхождение, которое будет использоваться для усечения.
Вот часть кода, хотя немного грязный, но работает
import re
from BeautifulSoup import BeautifulSoup
import tidy
def remove_html_tags(data):
p = re.compile(r'<.*?>')
return p.sub('', data)
input_string='<p>This is some text with a <a href="http://www.example.com/" '\
'title="Example link">bit of linked text in it</a></p>'
s=remove_html_tags(input_string).split(' ')[:7]
###required to ensure that only the last occurrence of the nth word is
# taken into account for truncating.
# coz if the nth word could be 'a'/'and'/'is'....etc
# which may occur multiple times within n words
temp=input_string
k=s.count(s[-1])
i=1
j=0
while i<=k:
j+=temp.find(s[-1])
temp=temp[j+len(s[-1]):]
i+=1
####
output_string=input_string[:j+len(s[-1])]
print "\nBeautifulSoup\n", BeautifulSoup(output_string)
print "\nTidy\n", tidy.parseString(output_string)
Вывод - то, что Вы хотите
BeautifulSoup
<p>This is some text with a <a href="http://www.example.com/" title="Example link">bit</a></p>
Tidy
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 3.2//EN">
<html>
<head>
<meta name="generator" content=
"HTML Tidy for Linux/x86 (vers 6 November 2007), see www.w3.org">
<title></title>
</head>
<body>
<p>This is some text with a <a href="http://www.example.com/"
title="Example link">bit</a></p>
</body>
</html>
Надеюсь, это поможет
Править: Лучший regex
`p = re.compile(r'<[^<]*?>')`