我想对我刚刚在棒球统计网站上阅读的帖子做一些分析。有问题的页面位于http://www.fangraphs.com/blogs/fangraphs-crowd-the-top-47-free-agents/
我想抓取以玩家姓名下方的段落标签中的玩家姓名开头的数据（块图像显示他们在列表中的＃）。 （所以不是下面的表数据。）
数据的一个例子：
#1 Robinson Cano (2B)
Age PA BB% K% AVG OBP SLG wOBA wRC+ Off Def WAR
30 681 9.5% 12.5% .314 .383 .516 .384 142 30.6 2.5 6.0
Real Years: 8
Real AAV: $24.5
Real Total: $196.2
Fake Years: 5
Fake AAV: $23.9
Fake Total: $119.7
Representative Comment
“I wouldn’t want to guarantee salary past age 37 or age 38. I could see him getting more years than that, at the same AAV I am willing to pay in fake world.”
[next player in example]...
#2 Jacoby Ellsbury
[etc.]
编号项目（＃1）不在OL中，但在a标签上确实有一个name属性。所以我可以抓住它。不幸的是，其余的数据似乎并没有在html中以易于理解的方式构建。
我希望通过“假总额：119.7美元”提取“真实年份：8”的数据。 （注意：其他一些玩家有不同的数据键，例如“将接受合格的报价”。我知道所有这些键都是什么，但不是每个玩家都有每个数据输入。）
我的策略是选择列表中的第一个玩家，并从那里开始抓取兄弟元素。如果兄弟元素的文本与我的一个已知键（“Real Years”等）相匹配，则存储该值的数值。如果兄弟元素是具有name属性的<a>元素，那么我知道它是下一个播放器并进入循环的下一次迭代。
我很好奇其他人会如何解决这个问题。我觉得我的方式很笨重，但这是我能想象的唯一方法，没有更多html结构的页面。
我正在使用python和lxml.html模块。
答案 0 :(得分：2)
听起来这是一次性的工作，并且html的格式化不是很好，所以你不应该花太多精力为这个网页编写完美的解析器。快速而肮脏是要走的路。
更简单的解决方案是简单地复制页面文本，将其粘贴到您选择的文本编辑器中，并将其另存为纯文本文件。然后，您可以编写一个脚本来解析文本文件。
查找以“＃”开头的行。这表示新玩家的部分开始。然后消耗这些线，直到下一个玩家的部分开始。