解析 HTML Python,BeautifulSoup
Posted
技术标签:
【中文标题】解析 HTML Python,BeautifulSoup【英文标题】:Parsing HTML Python, BeautifulSoup 【发布时间】:2014-03-06 21:36:51 【问题描述】:我有几个包含以下类型信息的 html 文档:
<td class="principal-col">
<div class="pr-person">
<div class="name"><span id="pr_person-icon" class="bullet-male-left"></span><span class="person-link">Thomas A /Dumpling/</span></div>
<table class="events" border="0">
<tr>
<td class="factLabel">event1: </td>
<td>
4 February 1940
<br/>
</td>
</tr>
<tr>
<td class="factLabel">event2: </td>
<td>
9 October 2002
<br/>Laplata, Md
</td>
</tr>
我正在尝试提取此人的姓名(此处:Thomas A Dumpling),以及 event1(此处:1940 年 2 月 4 日)和 event2 日期和地点(此处:2002 年 10 月 9 日,马里兰州拉普拉塔),从 html 文件中,并将内容放在 csv 文件“data.csv”的名为“Name”、“Event1”、“Event2”的列中。
如何从上面的 html 代码中提取名称到目前为止我还没有弄清楚。对于 event1 和 event2 日期信息,以下代码对于类似的 html 文件运行良好,但对于我在上面发布的 html 代码类型根本不起作用;也就是说,以下 Python 代码通过了,但它在 csv 文件的相应列中添加了“缺失”。
from bs4 import BeautifulSoup
import csv
import re
import glob
import os
f= csv.writer(open('data.csv', 'w'))
f.writerow(["Event1", "Event2"])
path = 'C:\\File-Path\\*'
for infile in glob.glob(os.path.join(path, "148929_S1N8-DQ7.htm")):
soup = BeautifulSoup (open(infile))
myDict =
for item in ["event1:", "event2:"]:
try:
myDict[item] = soup.find('td', text=re.compile(r'^%s$' % item)).findNext('td').text
myDict[item] = myDict[item].strip()
myDict[item] = myDict[item].lstrip()
myDict[item] = myDict[item].rstrip()
myDict[item] = myDict[item].encode('UTF-8')
except Exception:
myDict[item] = "missing"
pass
f.writerow([myDict["event1:"], myDict["event2:"]])
任何指针都非常感谢!
【问题讨论】:
【参考方案1】:首先,我将您的示例数据转换为有效的 html 页面并进行漂亮的打印。这样可以更轻松地查看正在发生的事情:
<html><body><table><tr>
<td class="principal-col">
<div class="pr-person">
<div class="name">
<span id="pr_person-icon" class="bullet-male-left"></span>
<span class="person-link">Thomas A /Dumpling/</span>
</div>
<table class="events" border="0">
<tr>
<td class="factLabel">event1: </td>
<td>4 February 1940<br/></td>
</tr>
<tr>
<td class="factLabel">event2: </td>
<td>9 October 2002<br/>Laplata, Md</td>
</tr>
</table>
</div>
</td>
</tr></table></body></html>
然后稍微切换一下你的程序:
from bs4 import BeautifulSoup
import csv
import glob
import os
DATA_PATH = "c:\\file_path\\"
FILESPEC = "*.htm"
OUTFILE = "data.csv"
def main():
data = []
for fname in glob.glob(os.path.join(DATA_PATH, FILESPEC)):
with open(fname) as inf:
pg = BeautifulSoup(inf.read())
for person in pg.findAll('td', 'class':'principal-col'):
data.append(get_data(person))
data.sort()
with open(os.path.join(DATA_PATH, OUTFILE), 'wb') as outf:
outcsv = csv.writer(outf)
outcsv.writerow(["Name", "Born", "Hired"])
outcsv.writerows(data)
if __name__ == "__main__":
main()
只留下实际的解析代码,
def get_string(node, default=''):
if node:
return ', '.join(node.stripped_strings)
else:
return default
def get_data(td_princ):
name = get_string(td_princ.find('span', 'class':'person-link')).replace('/', '')
birth = hired = '(missing)'
for event in td_princ.find('table', 'class': 'events').findAll('tr'):
cnt = [get_string(cell) for cell in event.findAll('td')]
if len(cnt) == 2:
if cnt[0] == "event1:":
birth = cnt[1]
elif cnt[0] == "event2:":
hired = cnt[1]
return (name, birth, hired)
当针对样本数据运行时,会生成一个看起来像这样的 csv 文件
Name,Born,Hired
Thomas A Dumpling,4 February 1940,"9 October 2002, Laplata, Md"
【讨论】:
谢谢休!如您所见,我对此真的很陌生...当我运行您的代码时,出现以下错误-您知道这可能是什么吗?非常感谢...“data.append(get_data(person)) NameError: global name 'get_data' is not defined” 我想通了——这对我来说是一个非常愚蠢的错误。解析代码实际上需要先走。现在像魅力一样工作 - 再次感谢 Hugh!【参考方案2】:找到第一个标签的最简单方法是使用普通的find
(select
也可以):
soup.find(class_='person-link')
Out[4]: <span class="person-link">Thomas A /Dumpling/</span>
soup.select('.person-link')
Out[5]: [<span class="person-link">Thomas A /Dumpling/</span>]
注意find
中class_
的特殊用法,因为class
是python 中的保留字。
'event1' 和 'event2' 使用select
更容易获取:
soup.select('td .factLabel ~ td')
Out[10]:
[<td>
4 February 1940
<br/>
</td>,
<td>
9 October 2002
<br/>Laplata, Md
</td>]
在上面的 css 选择器中,您要求 td
兄弟姐妹 td class="factLabel"
标记。
如果上述任何语法令人困惑,请前往BeautifulSoup docs。他们有很多很好的例子。
【讨论】:
以上是关于解析 HTML Python,BeautifulSoup的主要内容,如果未能解决你的问题,请参考以下文章