récupérer les mots en gras d'un text

Bonjour je souhaite simplement récuper et extraire les mot en gras d'un text grace à un scripte python ;
Je suis completement débutant alors j'avoue que je ne sais même pas comment à partir d'un text en gras (ici sur one note) l'extraire dans un script python qui comprendrai ce qui est gras de ce qui ne l'es pas.

Bonjour,

vous risquez vite de vous retrouver avec deux choix possibles :

- soit faire appel à un dev Python qui vous concoctera un programme pour lequel il y ait des chances qu'une rétribution financière soit demandée.
- soit vous ouvrez un tuto pour apprendre Python.

Je crois que personne ici ne vous livrera un code tout fait bien fait. Pas le genre de la maison.

Salut !

Je ne suis pas le genre de la maison du coup j'aurai bien essayé mais ça dépasse mon niveau... Je vais tout de même jeter un oeil mais je doute que ça suffise !

PS : Ca sera sans moi, trop compliqué, je connais rien aux API...

Salut,

onenote dispose d'une API ReST, sous-ensemble du protocole HTTP (et donc de la programmation réseau)...
Cette API est documentée.
Donc techniquement, on peut... écrire une application Python qui interagit avec.

Reste à se cogner la documentation voire à chercher des exemples de code sur Internet (car on est rarement le premier a vouloir faire ce genre de chose et l'expérience des autres est toujours instructive...)... chose qu'on ne fera pas pour vous.
Mais peut être qu'un des lecteurs de cette discussion voudra bien partager son expérience avec vous... reste à attendre qu'il se manifeste.

- W

Hello,

Citation:

---

Envoyé par GUSGUIG

Bonjour je souhaite simplement récuper et extraire les mot en gras d'un text grace à un scripte python ;
Je suis completement débutant alors j'avoue que je ne sais même pas comment à partir d'un text en gras (ici sur one note) l'extraire dans un script python qui comprendrai ce qui est gras de ce qui ne l'es pas.

---

OneNote n'est pas l'idéal pour faire ce genre d'exploitation. Un traitement de texte comme word ou writer serait plus facile à exploiter. Par exemple dans writer, il y a une recherche de texte par attribut (ex: gras).
Ami calmant, J.P

Hello tout le monde !

Merci beaucoup pour vos réponses !

J'ai trouvé comment extraire des mots ayant les balise en gras

Code:

---

<b></b>

---

Voici donc mon code :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#recuperer les données en gras text = [] Les_mots_en_gras = []   with open("file.txt", "r") as tf: text = tf.read().split(' ')   for boldword in text: if "</b>" in boldword: Les_mots_en_gras.append(boldword)   for boldword in Les_mots_en_gras: print(boldword)

---

ça fonctionne par exemple avec le txt suivant :

j'aime manger des <b>patates</b> très <b>douces</b>

ça me sort bien :
<b>patates</b>
<b>douces</b>

Je suis déjà content de ça !
mais le problème c'est que je ne trouve pas d'éditeur de texte qui puisse simplement marquer ces balise lorsqu'on l'ouvre en txt

Citation:

---

Envoyé par GUSGUIG

mais le problème c'est que je ne trouve pas d'éditeur de texte qui puisse simplement marquer ces balise lorsqu'on l'ouvre en txt

---

<b>...</b> sont à priori des balises HTML.
Un éditeur de texte qui sache faire apparaître du "gras" lorsqu'il voit des mots entre ces balises doit savoir interpréter/lire du HTML (comme un/votre navigateur Web par exemple).

Citation:

---

Envoyé par GUSGUIG

Je suis déjà content de ça !

---

Dans les tutos, on vous propose des exercices parfois corrigés: si vous voulez apprendre à programmer il faut commencer par là... et avoir une idée des technologies de base à connaître pour avoir une idée de comment coder pour en profiter.

- W

Bon c'est pas completement abouti et clairement c'est du bricolage mais j'ai déjà un truc qui fonctionne un peu prêt :

je copie/colle mon text dans Writer au format "HTML sans commentaire" que j'enregistre au format html (ici "Sans nom 1.html")

puis j'execute ce code :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#recuperer les données en gras text = [] Les_mots_en_gras = []   with open("Sans nom 1.html", "r") as tf: text = tf.read().split(' ')   for boldword in text: if "</b>" in boldword: Les_mots_en_gras.append(boldword)   for boldword in Les_mots_en_gras: print(boldword)

---

et ça me sort tout les mots en gras avec leurs balise :

donc par exemple si j'écris :

J’aime manger des patates très douces car c’est très bon

ça me sort bien :

<b>manger</b>
<b>patates</b>

Mais dès que le text est plus complexe ça ne fonctionne plus très bien car il faudrait que j'arrive à ouvrir la sélection avec la balise <b> et la refermer avec la balise </b>
la je prend tous ce qui à la balise </b>
Peut être que qqn à une idée de comment faire ?

Citation:

---

Envoyé par GUSGUIG

Peut être que qqn à une idée de comment faire ?

---

Techniquement, on fait ça avec des expressions régulières ou on utilise une bibliothèque qui sait lire du HTML.

- W

... ou BeautifulSoup

Sinon une méthode que j'affectionne et probablement plus rapide que les bibliothèques (pas tapé si je dis une connerie) si jamais tu cherches de la performance :

Code:

---

1 2 3

>>> text = 'toto<b>GRAS</b>titi' >>> [obj[obj.index('<b>')+3:] for obj in text.split('</b>')[:-1]] ['GRAS']

---

Citation:

---

Envoyé par LeNarvalo

Sinon une méthode que j'affectionne et probablement plus rapide que les bibliothèques (pas tapé si je dis une connerie) si jamais tu cherches de la performance

---

Ça ne fonctionne que si on suppose que les balises sont bien formées:

Code:

---

1 2 3 4 5 6 7

>>> text = 'totoGRAS</b>titi' >>> [obj[obj.index('<b>')+3:] for obj in text.split('</b>')[:-1]] Traceback (most recent call last): File "<stdin>", line 1, in <module> File "<stdin>", line 1, in <listcomp> ValueError: substring not found >>>

---

Que faire si ça ne l'est pas? C'est toute la différence entre un code "brouillon" et un code ou on a un peu réfléchit aux différents cas de figures qui pourraient se présenter.

Après côté performances, il faut déjà balayer la chaîne de caractères 1 fois pour la découper puis une autre fois pour extraire les mots.
Si la chaîne de caractères est de longueur N, on a une complexité en 2xN

Si on cherche <b> puis à partir de là le </b> qui suit, on ne la parcourt qu'une seule fois et la complexité est N.
Bien sûr, côté performances, ça fait beaucoup plus de lignes et... si on mesure, ce sera probablement moins rapide.

C'est pour çà qu'on préférera les expressions régulières... re.findall sur le pattern '<b>(.+?)</b>' devrait le faire.

- W

Bonjour,

Citation:

---

Envoyé par wiztricks

C'est pour çà qu'on préférera les expressions régulières... re.findall sur le pattern '<b>(.+?)</b>' devrait le faire.

---

à cela, on pourrait aussi répliquer:

Citation:

---

Envoyé par wiztricks

Ça ne fonctionne que si on suppose que les balises sont bien formées:
...
Que faire si ça ne l'est pas? C'est toute la différence entre un code "brouillon" et un code ou on a un peu réfléchit aux différents cas de figures qui pourraient se présenter.

---

:roll:

Spontanément j'utiliserai les expressions régulières, mais j'aime bien cet esprit qu'à Narvalo à réinventer souvent la roue.
J'estime que programmer repose aussi sur l'imagination. Lorsqu'on est confronté à un problème(à une situation à résoudre), on a recours à sa culture (connaissance d'outils/ reconnaissance d'une situation particulière déjà traitée/ automatismes acquis...) mais aussi à son imagination(création).
Pour moi, c'est comme pour un artiste peintre, d'un côté il y a la maîtrise de la technique/connaissance de l'Art, de l'autre la création, l'imagination, la capacité à se renouveler, à sortir de son formatage,..., afin de résoudre le tableau .
Une technique sans imagination, tout comme une imagination sans technique, sont vite confrontés à leur limite... Bref, tout cela pour dire que programmer c'est aussi imaginer! Et que de travailler son imagination, c'est aussi améliorer sa capacité à programmer . ;)

Hello,

Citation:

---

Envoyé par LeNarvalo

... ou BeautifulSoup

---

avec BeautifulSoup :

Code:

---

1 2 3 4 5 6 7

from bs4 import BeautifulSoup htmlfile = "d:/temp/test.html" markup = open(htmlfile) soup = BeautifulSoup(markup.read(),'html.parser') markup.close() motsEnGras = soup.findAll('b') print(motsEnGras)

---

Citation:

---

Envoyé par wiztricks

Ça ne fonctionne que si on suppose que les balises sont bien formées:

---

un texte avec des balises html mal formées ce n'est plus du html :mouarf:

ami calmant, J.P

Salut,

Il y a également la possibilité d'utiliser un module du genre docx :

https://pypi.org/project/python-docx/

Script :

Code:

---

1 2 3 4 5 6 7 8

import docx   doc = docx.Document("mon_fichier.docx")   for paragraph in doc.paragraphs: for text_run in paragraph.runs: if text_run.bold: print(text_run.text)

---

Ce qui donne :

Pièce jointe 622032

Code:

---

1 2 3 4

Morbi Maecenas auctor acus

---

Citation:

---

Envoyé par Hominidé

J'estime que programmer repose aussi sur l'imagination.

---

Contrairement à une œuvre d'art que l'on pourra admirer (ou pas), un code fonctionne (ou pas), sera "optimal" (ou pas). Et l'informatique est une science "dure"... c'est comme ça.

Citation:

---

Envoyé par jurassic pork

un texte avec des balises html mal formées ce n'est plus du html :mouarf:

---

Du HTML est un peu plus compliqué qu'un tas de balises à la "html".
Puis si on teste:

Code:

---

1 2 3 4 5

>>> text = 'totoGRAS</b>titi' >>> soup = BeautifulSoup(text, 'html.parser') >>> soup.findAll('b') [] >>>

---

Une gestion d'erreur a été "pensée" pour y survivre. Certains pourront parler de "créativité" des programmeurs, pour moi, ils ont juste fait leur job.

- W

Citation:

---

Envoyé par wiztricks

Contrairement à une œuvre d'art que l'on pourra admirer (ou pas), un code fonctionne (ou pas), sera "optimal" (ou pas). Et l'informatique est une science "dure"... c'est comme ça.

---

Un tableau fonctionne (ou pas), un code peut s'admirer(ou pas) , pour moi nul doute que l'imagination sert la science(numérique ou autre).
Des plus instruits que moi, ont écrit sur le sujet.

Citation:

---

Envoyé par Albert Einstein

« L’imagination est plus importante que le savoir. »

---

Citation:

---

Envoyé par Hominidé

Des plus instruits que moi, ont écrit sur le sujet.

Citation:

---

Envoyé par Albert Einstein

« L’imagination est plus importante que le savoir. »

---

---

L’imagination d'Einstein a fait progresser notre compréhension du monde (et pas mal de domaines mathématiques pour qu'on puisse mettre en forme ses idées).

Le comparer avec une prose du genre:

Code:

---

[obj[obj.index('<b>')+3:] for obj in text.split('</b>')[:-1]]

---

insulte sa mémoire quelque peu.... mais si ce genre de ligne de code vous inspire: il faut de tout pour faire un monde :mouarf:

- W

Citation:

---

Envoyé par wiztricks

Le comparer avec une prose du genre:

Code:

---

[obj[obj.index('<b>')+3:] for obj in text.split('</b>')[:-1]]

---

insulte sa mémoire quelque peu.... mais si ce genre de ligne de code vous inspire: il faut de tout pour faire un monde :mouarf:

---

Ces propos t'appartiennent, ce ne sont pas les miens.
Je pourrais préciser ma pensée(du moins m'y essayer), te partager mon expérience sur le sujet, mais je sens que cela sera pas entendu.
Dommage: Pourquoi la terre tourne autour de notre égo ? :whistle:
:dehors:

bonjour

Citation:

---

Envoyé par Hominidé

j'aime bien cet esprit à réinventer souvent la roue.

---

C'est pourtant (pour moi) en général une marque d'amateurisme. Je ne me considère pas plus intelligent que les autres et donc je ne pense pas pouvoir réinventer de nouvelles choses (basiques) plus intelligentes/performantes.
C'est celui qui code pour le plaisir ("l'amateur") qui va trouver n'importe quelle raison pour réinventer la roue, mais en fait ici l'intérêt est surtout ludique ou une façon d'apprendre.

Notre algo imaginé n'a pas le même facteur souplesse/vitesse que la solution éprouvée (les design pattern par exemple), mais en effet, dans certains cas très typés, il peut être plus performant. Malheureusement, il est rare que le codeur imaginatif soit aussi un codeur qui va développer une batterie de tests pour trouver les limites techniques de sa prose et faire un véritable benchmark pour le comparer aux autres solutions.


Pour moi, il y a 2 choses importantes dans un code : c'est la maintenabilité (donc on reste au maximum dans les clous pour les autres ou moi dans 1..2 ans) et par instants la vitesse (oui, une solution maison/inventive peut-être envisagée et adoptée après tests/comparatifs)

EDIT

Citation:

---

Dommage: Pourquoi la terre tourne autour de notre égo ?

---

J'avais oublié… certains prennent aussi un grand plaisir à réinventer la roue mais surtout pour flatter leur égo (bien sûr pas le cas ici ! sur le forum c'est le côté ludique bien entendu)

RE-EDIT:
Je ne parle que d'être imaginatif pour résoudre un problème local de codage., OUI, l'imagination est une bonne chose pour pondre une solution globale à partir d'un cahier des charges ! mais dans ce cas, ce n'est pas forcément du code mais plus un assemblage de technologies et méthodes (non personnelles).

--------

Le html n'a pas à être mal formé, il peut simplement avoir des classes dans cette balise ou une autre balise à l'intérieur

Citation:

---

Envoyé par Hominidé

Dommage: Pourquoi la terre tourne autour de notre égo ? :whistle:

---

Renseignez vous cela n'est vrai que pour le monde occidental. La culture asiatique, est très différent: c'est le "nous", le "collectif" qui est au centre.

Citation:

---

Envoyé par papajoker

Pour moi, il y a 2 choses importantes dans un code : c'est la maintenabilité (donc on reste au maximum dans les clous pour les autres ou moi dans 1..2 ans) et par instants la vitesse (oui, une solution maison/inventive peut-être envisagée et adoptée après tests/comparatifs)

---

La vitesse est un critère technique puisqu'on peut "mesurer" est être objectif (ça va plus vite ou pas éventuellement dans certains cas). La maintenabilité est "moins technique" car on ne sait pas trop la mesurer (sauf à définir des standards/règles et une batterie de tests ou de revues de codes qui vont vérifier la conformité à ces règles/standards).

Ça marche ou pas est un critère technique: on fournit un exemple qui plante...
La mesure de la complexité aussi.... puisqu'on peut la calculer.

On ne sait pas mesurer la créativité (comme la beauté)...
Une personne "créative" (a mon sens donc) dans le coin est toumic. Il utilise Python pour faire avancer des idées sur je ne sais quoi. Il code comme un sagouin... et se fout pas mal de "mieux" coder pourvu que ça lui crashe les résultats dont il a rêvé.

- W

Citation:

---

Envoyé par Wiztiti

Ça ne fonctionne que si on suppose que les balises sont bien formées:

---

En l'occurrence elles le seront forcément sauf si l'utilisateur copie mal le code source et dans ce cas, paf message d'erreur ! Tandis qu'avec BeautifulSoup ben il retourne une liste vide. :P

Citation:

---

Après côté performances, il faut déjà balayer la chaîne de caractères 1 fois pour la découper puis une autre fois pour extraire les mots.
Si la chaîne de caractères est de longueur N, on a une complexité en 2xN

Si on cherche <b> puis à partir de là le </b> qui suit, on ne la parcourt qu'une seule fois et la complexité est N.

---

Effectivement même si c'est pas exactement 2xN.
'toto<b>GRAS</b>titi'
→ 'ttoottoo<b>GRAS</b>titi'

Tu ferais comment en 1N, ça m'intéresse. =)

Ma proposition sinon est 150x plus rapide que BeautifulSoup à priori, j'ai abandonné les bibliothèques spécialisées à cause de ça ! Alors oui c'est sûr c'est pas aussi safe mais la sécurité est l'ennemi de la vitesse - Ayrton Senna (ou pas).

Citation:

---

Envoyé par Wiztiti

insulte sa mémoire quelque peu....

---

Non mais dites donc ! Moi j'ai jamais cru que l'univers était statique ne me rabaisse pas à lui ! :mouarf:

---

Citation:

---

Envoyé par Hominidé

Spontanément j'utiliserai les expressions régulières

---

J'ai pas de chat, je ne peux pas... (Tu l'as ?)

Citation:

---

Envoyé par LeNarvalo

J'ai pas de chat, je ne peux pas... (Tu l'as ?)

---

??

Citation:

---

Envoyé par LeNarvalo

Tu ferais comment en 1N, ça m'intéresse. =)

---

On cherche "<b>" puis à partir de cette position, le "</b>" qui suit, s'il existe.

str.find et str.index ont des paramètres optionnels (start, end) pour passer l'indice à partir duquel rechercher (et s'arrêter).

Plus instructif serait de ne pas utiliser ces méthodes pour écrire un petit automate qui lise caractère par caractère et changement d'état.

- W

@Hominidé
https://www.fondamentaux.org/wp-cont...x-768x769.jpeg

@Wiz

Citation:

---

pour passer l'indice à partir duquel rechercher (et s'arrêter)

---

On ne peut pas savoir où s'arrêter mais effectivement on peut lui dire où commencer plutôt que de faire du text[i:].index('</b>') comme je fais habituellement.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

def t2(): text = '<b></b>toto<b>GRAS</b><b>BOLD</b>titi<b></b>' i = 3 #On commencera le text à partir de l'indice 3 n = len(text) #Nb de caractères liste = [] #Liste de stockage des mots en gras opened = False #True si balise ouvrante détectéé while i<n: #Si les 3 caractères précédents valent '<b>' ... if text[i-3:i] == '<b>': liste.append('') opened = True #Si les 4 caractères suivants valent '</b>' ... if text[i:i+4] == '</b>': opened = False i+=3 #Si balise GRAS ouvrante détectée ... if opened: liste[-1] += text[i] i+=1 return liste

---

Seulement 6 fois plus lent que la compréhension de liste donc encore bien plus rapide que BeautifulSoup.
Y a moyen de faire mieux ? J'ai essayé avec for i, char in enumerate(text) mais je n'ai pas réussi à passer les caractères '</b>' (i+=4)

Citation:

---

Envoyé par LeNarvalo

J'ai essayé avec for i, char in enumerate(text) mais je n'ai pas réussi à passer les caractères '</b>' (i+=4)

---

Code:

---

1 2	for ch in text: ...

---

devrait suffire après, pour traiter caractère par caractère avec une mémoire, il y a du boulot et c'est l'intérêt de l'exercice.

Quelque chose comme text[i-3:i] == '<b>' extrait la sous-chaine de 4 caractères.... et donc on balaie bien plus de caractères que la chaîne en contient.

- W

Hello,

Citation:

---

Envoyé par LeNarvalo

Ma proposition sinon est 150x plus rapide que BeautifulSoup à priori, j'ai abandonné les bibliothèques spécialisées à cause de ça ! Alors oui c'est sûr c'est pas aussi safe mais la sécurité est l'ennemi de la vitesse - Ayrton Senna (ou pas).

---

Je ne sais pas comment tu as fais le calcul de performance mais moi je ne trouve pas ce genre d'écart. Si tu as utilisé des boucles, dans la boucle il ne faut pas inclure le temps de chargement du contenu HTML. On ne le compte qu'une seule fois.
Voici un test de performance en utilisant beautifulsoup, les expressions régulières, lxml, le code de LeNarvalo avec en entrée la page HTML https://www.developpez.net/forums/d2...s-gras-d-text/
Dans le test je fais une boucle de 1000 itérations sur la recherche des balises <b>.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

from bs4 import BeautifulSoup from lxml.html import fromstring import time import re htmlfile = "d:/temp/test.html" markup = open(htmlfile) htmlString = markup.read() markup.close() start = time.time() soup = BeautifulSoup(htmlString,'html.parser') for i in range(1000): motsEnGras = soup.findAll('b') end = time.time() print("temps de recherche beautifulsoup : " + str(end-start) + " secondes") print("beautifulsoup a trouvé " + str(len(motsEnGras)) + " balises") print(motsEnGras) regex = '<b>(.+?)</b>' start = time.time() for i in range(1000): match = re.findall(regex, htmlString) end = time.time() print("temps de recherche regex : " + str(end-start) + " secondes") print("regex a trouvé " + str(len(match)) + " balises") print(match) innerTree = fromstring(htmlString) start = time.time() for i in range(1000): bolds = innerTree.cssselect('b') end = time.time() print("temps de recherche lxml : " + str(end-start) + " secondes") print("lxml a trouvé " + str(len(bolds)) + " balises" ) print( [mot.text_content() for mot in bolds]) start = time.time() for i in range(1000): listeMots = [obj[obj.index('<b>')+3:] for obj in htmlString.split('</b>')[:-1]] end = time.time() print("temps de recherche du code de LeNarvalo : " + str(end-start) + " secondes") print("Le code de LeNarvalo a trouvé " + str(len(listeMots)) + " balises") print(listeMots)

---

Résultats :

Citation:

---

temps de recherche beautifulsoup : 1.2977912425994873 secondes
beautifulsoup a trouvé 64 balises
temps de recherche regex : 0.2655637264251709 secondes
regex a trouvé 66 balises
temps de recherche lxml : 0.12497472763061523 secondes
lxml a trouvé 64 balises
temps de recherche du code de LeNarvalo : 0.374908447265625 secondes
Le code de LeNarvalo a trouvé 66 balises

---

A noter que la différence du nombre de balises trouvées vient du fait qu'il y a deux balises qui se trouvent en dehors du corps du HTML (<body>). regex et le code de Narvalo ne transforment pas non plus les codes des accents HTML ce que font beautifulsoup et lxml ( ex : install&eacute; -> installé).
Ami calmant, J.P

Oui j'ai inclut l'ouverture du fichier.
Je me suis dit que BeautifulSoup prétrie les données à l'ouverture ?


Je pense qu'ainsi le code ça sera plus rapide :

Code:

---

listeMots = [obj[:obj.index('</b>')] for obj in htmlString.split('<b>')[1:]]

---

Il est plus fréquent de voir un mot en gras que toute un paragraphe. ^^