Question

我正在尝试解析许多不同页面的HTML源代码，例如：

http://www.ielts.org//test_centre_search/results.aspx?TestCentreID=dd50346f-60bc-4a4f-a37f-7e3d34df0bf8 或www.ielts.org//test_centre_search/results.aspx?TestCentreID=feb563e3-43db-4d40-a6b1-223e2fb7191b （我这样有800页）

它们都采用相同的格式。我试图解析“测试费”值。

<TABLE style="BORDER-RIGHT: buttonshadow 1px solid; BORDER-TOP: buttonhighlight 1px solid; FONT: messagebox; BORDER-LEFT: buttonhighlight 1px solid; COLOR: buttontext; BORDER-BOTTOM: buttonshadow 1px solid; BACKGROUND-COLOR: buttonface" cellSpacing=0 cellPadding=4 width=500>
<TBODY></TBODY></TABLE><table id="Template_ctl21_TestCentreView1_TestCentreTable" Width="400" border="0">
    <tr>
        <td><img src="https://www.ielts.org/TestCentreLogos/TestCentre/dd50346f-60bc-4a4f-a37f-7e3d34df0bf8.jpg" align="right" style="border-width:0px;" /><span class="TestCentreViewTitle">University of Canberra Test Centre</span><BR><BR><span class="TestCentreViewLabel">Address:</span><BR><span class="TestCentreViewBody">IELTS Administrator</span><BR><span class="TestCentreViewBody">Building 16</span><BR><span class="TestCentreViewBody">Wilpena Street, Bruce</span><BR><span class="TestCentreViewBody">ACT - Canberra</span><BR><span class="TestCentreViewBody">2617</span><BR><BR><span class="TestCentreViewLabel">Tel: </span><span class="TestCentreViewBody">61 2 6201 2669</span><BR><span class="TestCentreViewLabel">Fax: </span><span class="TestCentreViewBody">61 2 6201 5089</span><BR><span class="TestCentreViewLabel">Email: </span><a class="TestCentreViewLink" href="mailto:ielts@canberra.edu.au">ielts@canberra.edu.au</a><BR><span class="TestCentreViewLabel">Web: </span><a class="TestCentreViewLink" href="http://www.canberra.edu.au/uceli/ielts">http://www.canberra.edu.au/uceli/ielts</a><BR><BR>**<span class="TestCentreViewLabel">Test Fee: </span><span class="TestCentreViewBody">AUD$330</span>**<BR><BR><div style="overflow-y:scroll;overflow-x:visible;height:250px;;"><table cellspacing="0" cellpadding="2" border="0" style="border-collapse:collapse;">
            <tr>

        </table></div><BR><span class="TestCentreViewBody"><P class=MsoNormal style="MARGIN: 0cm 0cm 0pt"><SPAN lang=EN-US style="mso-ansi-language: EN-US"><FONT size=3><FONT color=#000000><FONT face=Calibri>The IELTS office now closes at 4:00pm on Friday afternoons.<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /><o:p></o:p></FONT></FONT></FONT></SPAN></P>
<P>&nbsp;</P></span><BR></td>
    </tr>
</table>

以上是我们感兴趣的来源部分。我要解析的是： **Test Fee: AUD$330**

问题是我们有很多不同的具有相同的类（TestCentreViewBody）和一些页面你有5个，其他8个等等...所以我不知道如何隔离这个？

我正在寻找一种方法来隔离这个值。

PS：我注意到最后一个之前的似乎总是包含我正在寻找的值。所以我试图做的是：

LOL = findAll('span' .. with the 'class' : 'TestCentreViewBody')
Value = LOL[len(lol)-1]

但这似乎不起作用。

Answer 1

在TestCentreViewLabel类上执行find_all（），使用循环遍历每个类。在每次迭代中获取文本并查看其中是否出现“费用”一词。如果是，请获取当前标记的 next sibling ，其内容应该是您要查找的值。

Answer 2

这至少适用于您提供的示例，因为您将html放入字符串t：

import re
p = = "TestCentreViewBody\">(\w*)\$(\d*)</span>"
re.findall(p, t)

它确实要求在费用值的某处有$并且它返回货币和值的元组（如果金额可以有小数位，则需要将第二个括号中的位修改为例如([0-9.]*)。

希望有效。

修改

如果货币符号未知（但总有一些符号不是字母或数字），并且“测试费用：”总是在您可以执行之前完成：

p = "Test Fee: (\w*)[^\w\d](\d*)"

但是，建议的BeautifulSoup解决方案或多或少是相同的。

在错误的书面脚本中使用BeautifulSoup隔离值

2 个答案: