Question

假设以下是HTML文档的子集...请注意，有多个表重复，但<a name="1">可能是“2”，“3”，“4”等，但文本不同对于每张桌子。

<table align="center" width="550">
<tr>
<td valign="top" width="300"><b>Product:</b></img></td>
<td>
<a name="1"></a>1) Text Editor
<p>An application for the editing of text files.</p>
<br>
<b>Application Name: Notepad</b>
<br>            
<b>Type: Writing</b>
<br><br></td>
</tr>
</table>

我希望能够找到一个等于特定“＃”的“a”标签（在本例中为1）并能够以某种方式获得文本：“1）文本编辑器”。

我知道如果我把整个文档美化了，我可以使用类似findAll("table")的东西给我所有的表格，但我不知道我怎么可能达到那个价值。我可以做findAll("a")之类的事情，但是如何指定“name”等于（在这种情况下为1）？即使我能做到这一点，我也无法进入“1）文本编辑器”，因为“a”标签是空的......我也无法达到像“<b>Application Name: Notepad</b>”这样的部分。

结合使用python / beautifulsoup的最佳解决方案是什么，或者是否有更好的方法可以根据事实获得表格的“1）文本编辑器”和“应用程序名称”和“类型”部分在它之前有一个<a name="1"></a>？示例语法很棒。

Answer 1

看起来您可以轻松传入attrs字典以进行匹配。这看起来包含name属性。

http://www.crummy.com/software/BeautifulSoup/bs3/documentation.html#arg-attrs

soup.findAll(attrs={'name' : '1'})

如果您还没有查看过，那么文档提供了很多关于如何在HTML文档中查找元素的非常好的示例。

Answer 2

您可以使用findAll ...

指定属性

>>> a = soup.findAll("a", attrs={"name": "1"})[0]

...然后获取下一个节点......

>>> a.next
u'1) Text Editor\n'

...以及下一个<b>元素......

>>> a.findNext("b")
<b>Application Name: Notepad</b>

......等等。

顺便说一下，attrs参数只是必要的，因为name是findAll()的特殊参数。如果它是其他属性，你可以使用例如。

>>> a = soup.findAll("a", href="whatever")

如何解析python beautifulsoup中的以下HTML？

2 个答案: