Question

我一直在尝试使用Jericho HTML Parser和Selenium IDE，以便在多个页面中从HTML中的特定位置提取文本。

我还没有找到一个如何做到这一点的简单例子，我不知道java。

我想在第一个表格中的所有HTML页面，第4行，第1个div中找到任何文本字符串：

</table>
 <tr class="abc"><td class="xyz"><div align="center">The Text I don't want</div></td></tr>
 <tr class="abc"><td class="xyz"><div align="center">The Text I don't want</div></td></tr>
 <tr class="abc"><td class="xyz"><div align="center">The Text I don't want</div></td></tr>    
 <tr class="abc"><td class="xyz"><div align="center">The Text I want</div></td></tr>
</table>

将所选文本打印到列表中的txt文件，如下所示：

    The Text I want
    Another Text I want

所有源文件都存储在本地，并且可能包含错误的HTML，因此认为Jericho可能最适合此目的。但是我很乐意学习任何方法来达到预期的效果。

Answer 1

最后，我选择了beautifulsoup并使用了类似这样的python脚本：

# open source html file
with open(html_pathname, 'r') as html_file:
# using BeautifulSoup module search html tag's tree
soup = BeautifulSoup(html_file)
# find according your criteria "1st table, 6th tr, 1st td, 1st div"
trs = soup.html.body.table.tr.findNextSiblings('tr')[4].td.div
# write found text to result txt
print ' - writing to result txt'
result_file.write(''.join(trs.contents) + '\n')
print ' - ok!'

从多个页面中的特定HTML位置提取文本

1 个答案: