Python：从阵列中匹配字符串与另一个阵列中文本的子字符串

Question

目前，我正在使用Pythons BeautifulSoup Library来检索报纸文章的网页。这些文章存储在对象“细节”中。

然后我有几个存储在对象“行”中的各种街道名称。现在我想搜索“行”中包含的街道名称的文章。

如果其中一个街道名称是其中一篇文章的一部分，我想在数组中保护街道名称。

如果没有匹配项目（所选文章不包含任何街道名称），那么数组中应该有一个空元素。例如，假设对象“线”由（“Abbey Road”，“St-John's Bridge”，“West Lane”，“Sunpoint”，“East End”）组成。

对象“细节”由4篇文章组成，其中2篇包含“Abbey Road”和“West Lane”（例如“Abbey Road车祸，三人受伤”）。其他两篇文章不包含任何来自“行”的名称。

那么结果匹配应该是这样的一个阵列中后： [] [“艾比路”] [] [“西一巷”]

我也被告知要使用矢量对于这一点，因为我原来的数据样本相当大。不过，我对字符串操作使用矢量化并不熟悉。有没有人与此合作？

我的代码目前看起来是这样的，但是这仅返回“-1”作为我得到的数组的元素：

from bs4 import BeautifulSoup 
import requests 
import io 
import re 
import string 
import numpy as np 


my_list = [] 
for y in range (0, 2): 
    y *= 27 
    i = str(y) 
    my_list.append('http://www.presseportal.de/blaulicht/suche.htx?q=' + 'einbruch' + '&start=' + i) 



for link in my_list: 
    # print (link) 
    r = requests.get(link) 
    r.encoding = 'utf-8' 
    soup = BeautifulSoup(r.content, 'html.parser') 



with open('a4.txt', encoding='utf8') as f: 
     lines = f.readlines() 
     lines = [w.replace('\n', '') for w in lines]  


     details = soup.find_all(class_='news-bodycopy') 
     for class_element in details: 
      details = class_element.get_text() 

     sdetails = ''.join(details) 
     slines = ''.join(lines) 
     i = str.find(sdetails, slines[1 : 38506]) 
     print(i)     

如果有人想复制我的实验，网站，链接在上面的代码并且对象“细节”中的文章的抓取和存储工作正常，因此代码可以被复制。

中的.txt文件对我原来的数据为对象的“线”可以在这个Dropbox的，文件夹进行访问： https://www.dropbox.com/s/o0cjk1o2ej8nogq/a4.txt?dl=0

非常感谢任何提示我怎样才能使这项工作，最好是通过矢量。

Answer 1

你可以尝试这样的事：

my_list = [] 
for y in range (0, 2): 
    i = str(y) 
    my_list.append('http://www.presseportal.de/blaulicht/suche.htx?q=einbruch&start=' + i) 

for link in my_list: 
    r = requests.get(link) 
    soup = BeautifulSoup(r.content.decode('utf-8','ignore'), 'html.parser') 

details = soup.find_all(class_='news-bodycopy') 
f = open('a4.txt') 
lines = [line.rstrip('\r\n') for line in f] 

result = [] 
for i in range(len(details)): 
    found_in_line = 0 
    for j in range(len(lines)): 
     try: 
      if details[i].get_text().index(lines[j].decode('utf-8','ignore')) is not None: 
       result.append(lines[j]) 
       found_in_line = found_in_line + 1 
     except: 
      if (j == len(lines)-1) and (found_in_line == 0): 
       result.append(" ") 
print result