如何使用beautifulsoup快速操作div内的span

Posted 2023-02-24

【中文标题】如何使用beautifulsoup快速操作div内的span

【英文标题】：How to manipulate span inside div quickly using beautifulsoup

【发布时间】：2019-02-09 02:24:16

【问题描述】：

我有 HOCR 工具的 HTML 输出，我想对 div 类 ocr_carea 应用以​​下操作。

编辑的输入 html

HTML 文件中的div 标记如下所示。

<div class='ocr_carea' id='block_1_8' title="bbox 95 779 341 884">
    <p class='ocr_par' id='par_1_16' lang='Latin' title="bbox 95 779 341 884">
     <span class='ocr_line' id='line_1_29' title="bbox 96 779 338 800; baseline 0 -1; x_size 25.636646; x_descenders 5.6366458; x_ascenders 5">
      <span class='ocrx_word' id='word_1_62' title='bbox 96 779 186 800; x_wconf 96'>Header</span>
      <span class='ocrx_word' id='word_1_63' title='bbox 195 779 338 799; x_wconf 96'>Information</span>
     </span>
     <span class='ocr_line' id='line_1_30' title="bbox 96 819 341 839; baseline 0 0; x_size 25.26087; x_descenders 5.2608695; x_ascenders 6">
      <span class='ocrx_word' id='word_1_64' title='bbox 96 819 212 839; x_wconf 96'>Purchase</span>
      <span class='ocrx_word' id='word_1_65' title='bbox 221 819 290 839; x_wconf 96'>Order</span>
      <span class='ocrx_word' id='word_1_66' title='bbox 300 819 341 839; x_wconf 96'>No:</span>
     </span>
     <span class='ocr_line' id='line_1_31' title="bbox 95 859 334 884; baseline -0.004 -4; x_size 26; x_descenders 5; x_ascenders 7">
      <span class='ocrx_word' id='word_1_67' title='bbox 95 859 175 880; x_wconf 96'>Terms</span>
      <span class='ocrx_word' id='word_1_68' title='bbox 185 859 210 880; x_wconf 96'>of</span>
      <span class='ocrx_word' id='word_1_69' title='bbox 218 859 334 884; x_wconf 96'>Payment:</span>
     </span>
    </p>
   </div>
   <div class='ocr_carea' id='block_1_9' title="bbox 371 819 542 840">
    <p class='ocr_par' id='par_1_17' lang='Latin' title="bbox 371 819 542 840">
     <span class='ocr_line' id='line_1_32' title="bbox 371 819 542 840; baseline 0.006 -1; x_size 27.5; x_descenders 6.875; x_ascenders 6.875">
      <span class='ocrx_word' id='word_1_70' title='bbox 371 819 542 840; x_wconf 96'>4056111455</span>
     </span>
    

我想像这样连接它们并正确排序它们

 <div class='ocr_carea' id='block_1_8' title="bbox 95 779 341 884">
    <p class='ocr_par' id='par_1_16' lang='Latin' title="bbox 95 779 341 884">
     <span class='ocr_line' id='line_1_29' title="bbox 96 779 338 800; baseline 0 -1; x_size 25.636646; x_descenders 5.6366458; x_ascenders 5">
      <span class='ocrx_word' id='word_1_62' title='bbox 96 779 186 800; x_wconf 96'>Header</span>
      <span class='ocrx_word' id='word_1_63' title='bbox 195 779 338 799; x_wconf 96'>Information</span>
     </span>
     <span class='ocr_line' id='line_1_30' title="bbox 96 819 341 839; baseline 0 0; x_size 25.26087; x_descenders 5.2608695; x_ascenders 6">
      <span class='ocrx_word' id='word_1_64' title='bbox 96 819 212 839; x_wconf 96'>Purchase</span>
      <span class='ocrx_word' id='word_1_65' title='bbox 221 819 290 839; x_wconf 96'>Order</span>
      <span class='ocrx_word' id='word_1_66' title='bbox 300 819 341 839; x_wconf 96'>No:</span>
      <span class='ocrx_word' id='word_1_70' title='bbox 371 819 542 840; x_wconf 96'>4056111455</span>
     </span>
     </span>
     <span class='ocr_line' id='line_1_31' title="bbox 95 859 334 884; baseline -0.004 -4; x_size 26; x_descenders 5; x_ascenders 7">
      <span class='ocrx_word' id='word_1_67' title='bbox 95 859 175 880; x_wconf 96'>Terms</span>
      <span class='ocrx_word' id='word_1_68' title='bbox 185 859 210 880; x_wconf 96'>of</span>
      <span class='ocrx_word' id='word_1_69' title='bbox 218 859 334 884; x_wconf 96'>Payment:</span>
     </span>
    </p>
   </div>

我认为这可以通过BautifulSoup来完成，到目前为止我已经实现的是在列表中添加span ocr_line，我想在span ocr_line中搜索并检查bbox是否靠近每个other 在 x 轴或 y 轴上或下移一个点

from bs4 import BeautifulSoup
soup = BeautifulSoup(hocr_container,'html.parser')
lines = soup.find_all('span',class_='ocr_line')
for line in lines
# Check the bbox and concatenate span

【问题讨论】：

AFAIK 获取元素的最快方法是通过它的 ID 选择器。您可以为所需的 ID 编写一个正则表达式，并通过该正则表达式获取所有 ocrx_words 和 ocrx_line 元素，然后解析它们。可以在这里找到解决方案：***.com/questions/2830530/…

我已经检查过了，但我的问题不是解析它们，而是合并跨度。

是否正在讨论使用您找到并处理的 BS 元素重新构建页面？如果是这样，您可以使用 BS 的元素的字符串表示形式。只需调用 str(whatever_element_you_found) 并将其结果附加到您在解析和排序时生成的文件中。示例在这里***.com/questions/25729589/… 和文档在这里crummy.com/software/BeautifulSoup/bs4/doc/#non-pretty-printing

所以，我们没有查找和替换方法或转移技术

【参考方案1】：

这可能对你有帮助

from bs4 import BeautifulSoup
html = """
      <div class='ocr_carea' id='block_1_8' title="bbox 95 779 341 884">
<p class='ocr_par' id='par_1_16' lang='Latin' title="bbox 95 779 341 884">
 <span class='ocr_line' id='line_1_29' title="bbox 96 779 338 800; baseline 0 -1; x_size 25.636646; x_descenders 5.6366458; x_ascenders 5">
  <span class='ocrx_word' id='word_1_62' title='bbox 96 779 186 800; x_wconf 96'>Header</span>
  <span class='ocrx_word' id='word_1_63' title='bbox 195 779 338 799; x_wconf 96'>Information</span>
 </span>
 <span class='ocr_line' id='line_1_30' title="bbox 96 819 341 839; baseline 0 0; x_size 25.26087; x_descenders 5.2608695; x_ascenders 6">
  <span class='ocrx_word' id='word_1_64' title='bbox 96 819 212 839; x_wconf 96'>Purchase</span>
  <span class='ocrx_word' id='word_1_65' title='bbox 221 819 290 839; x_wconf 96'>Order</span>
  <span class='ocrx_word' id='word_1_66' title='bbox 300 819 341 839; x_wconf 96'>No:</span>
  <span class='ocrx_word' id='word_1_70' title='bbox 371 819 542 840; x_wconf 96'>4056111455</span>
 </span>
 </span>
 <span class='ocr_line' id='line_1_31' title="bbox 95 859 334 884; baseline -0.004 -4; x_size 26; x_descenders 5; x_ascenders 7">
  <span class='ocrx_word' id='word_1_67' title='bbox 95 859 175 880; x_wconf 96'>Terms</span>
  <span class='ocrx_word' id='word_1_68' title='bbox 185 859 210 880; x_wconf 96'>of</span>
  <span class='ocrx_word' id='word_1_69' title='bbox 218 859 334 884; x_wconf 96'>Payment:</span>
 </span>
</p>
</div>"""

 soup = BeautifulSoup(html, 'html.parser')
 tag = soup.find_all('span', attrs='class':'ocr_line')
 for i in tag:
     x = (' '.join(i.stripped_strings))
     print x

【讨论】：

很抱歉输入的 HTML 添加错误。我现在更正了。这个想法是我有两个跨度，我想根据条件合并它们