Question

网页源代码包含以下细分：

<TR>
<TD width="40%">Company No. <I>(CO.)</I> : <B>056</B></TD>
<TD width="40%">Country Code. <I>(CC.)</I> : <B>3532 </B></TD></TR>
<TR>
<TD>Register <I>(Reg.)</I> : <B>FD522</B></TD>
<TD>Credit<I>(CD.) </I>: <B>YES</B></TD></TR>
<TR>
<TD>Type <I>(TP.)</I> : <B>PRIVATE</B></TD></TR>

CO。，CC等标题的缩写形式。注册。光盘。和TP。是斜体字体。像056,3532，FD522等内容是粗体字。它们以“：”分隔。

我想通过BeautifulSoup分别提取他们的标题和内容，但不成功。

我正在使用：

soup.find_all("td")

但效果不佳。它返回如＆＃34;公司编号（CO。）： 056 ＆＃34;在一行，但我想分开，如＆＃34;公司编号＆＃34;，＆＃34; CO。＆＃34;和＆＃34; 056＆＃34;。

我也尝试过：

all_texts = soup.find_all(":")

或：

all_texts = soup.find_all("/b")

等等，他们不工作。

结果

以下帮助有两种方法。在那里参考：

这种方式获取粗体字母的内容，但在某些句子中，最后一个字母丢失了：

for bb in aa:
    cc = bb.get_text()
    dd = cc[cc.find("<b>")+1 : cc.find("</b>")]
    print dd

这样，ee和ff提供了标题＆＃39;和内容，即＆＃34;之前和之后的文本：＆＃34;。

for bb in aa:
    cc = bb.get_text()
    dd = cc.split(' :')
    ee = dd[0] #title
    ff = dd[len(dd)-1] # content

Answer 1

使用findAll获取完整HTML文档的正确部分，然后使用：

text = soup.get_text()
print text

然后使用＆＃39; .split（）＆＃39;

将其分解为数组

for line in soup.get_text().split('\n'):
    if line != ''
        print line.split()

Answer 2

你不必强迫自己使用beautifulsoup函数来分隔它们因为里面的每个数据都有不同的令牌密钥要拆分即：

<TD width="40%">Company No. <I>(CO.)</I> : <B>056</B></TD>

公司编号由＆＃34;。＆＃34;
（CO。）由＆＃34;：＆＃34;

<B></B>

056

我建议您使用substring方法从每个td中获取数据：

#grab all td
all_texts = soup.findAll("td") 
for txt in all_texts
        #convert td into string
        td = str(td)
        txt1 = td[td.find(">")+1 : td.find("<i>")] #get first data from <td>...</i>
        txt2 = td[td.find("<i>")+3 : td.find("</i>")] #get 2nd data from <i>...</i>
        txt3 = td[td.find("<b>")+3 : td.find("</b>")] #get 3rd data from <b>...</b>
        print txt1
        print txt2
        print txt3

Answer 3

这只是简单的字符串操作，而不是整个BS4问题。可以做类似下面的事情。请注意，以下可能不是最好的方法，但我这样做是为了冗长。

from bs4 import BeautifulSoup as bsoup

ofile = open("test.html")
soup = bsoup(ofile)
soup.prettify()

tds = soup.find_all("td")
templist = [td.get_text() for td in tds]

newlist = []
for temp in templist:
    whole = temp.split(":") # Separate by ":" first.
    half = whole[0].split("(") # Split the first half using open parens.
    first = half[0].strip() # First of three elements.
    second = half[1].replace(")","").strip() # Second of three elements.
    third = whole[1].strip() # Use the second element for the first split to get third of three elements.
    newlist.append([first, second, third])

for lst in newlist:
    print lst # Just print it out.

结果：

[u'Company No.', u'CO.', u'056']
[u'Country Code.', u'CC.', u'3532']
[u'Register', u'Reg.', u'FD522']
[u'Credit', u'CD.', u'YES']
[u'Type', u'TP.', u'PRIVATE']
[Finished in 1.1s]

如果有帮助，请告诉我们。

使用BeautifulSoup拾取以“：”分隔的文本

结果

3 个答案: