Question

我的HTML看起来像：

<td>
   <table ..>
      <tr>
         <th ..>price</th>
         <th>$99.99</th>
      </tr>
   </table>
</td>

所以我在当前的表格单元格中，如何获得99.99的值？

我到目前为止：

td[3].findChild('th')

但我需要这样做：

找到文本'price'，然后获取下一个标记的字符串值。

Answer 1

在“步骤”中考虑一下......假设某些x是您正在考虑的子树的根，

x.findAll(text='price')

是包含文本'price'的子树中所有项目的列表。那些物品的父母当然会是：

[t.parent for t in x.findAll(text='price')]

如果您只想保留“名称”（标记）为'th'的人，那么当然

[t.parent for t in x.findAll(text='price') if t.parent.name=='th']

并且你想要那些“下一个兄弟姐妹”（但只有当它们也是'th'时），所以

[t.parent.nextSibling for t in x.findAll(text='price')
 if t.parent.name=='th' and t.parent.nextSibling and t.parent.nextSibling.name=='th']

在这里您可以看到使用列表解析的问题：重复次数过多，因为我们无法将中间结果分配给简单名称。因此，让我们切换到一个好的循环......：

修改：为父th和“下一个兄弟”之间的文字字符串添加了容差，并且后者的容差为td而不是OP的评论。

for t in x.findAll(text='price'):
  p = t.parent
  if p.name != 'th': continue
  ns = p.nextSibling
  if ns and not ns.name: ns = ns.nextSibling
  if not ns or ns.name not in ('td', 'th'): continue
  print ns.string

我添加了ns.string，这将给出下一个兄弟的内容，当且仅当它们只是文本（没有其他嵌套标签）时 - 当然你可以在此时进一步分析，取决于您的应用程序的需求！ - ）。同样地，我想你不会只做print而是更聪明，但我会给你结构。

谈到结构，请注意我使用if...: continue两次：与反转if条件和缩小循环中所有以下语句的替代方法相比，这减少了嵌套 - “ flat比嵌套更好“是Python中的一个koans（import this，在交互式提示中看到它们并冥想; - ）。

Answer 2

通过pyparsing，很容易进入某些HTML的中间，以获得这样的标记模式：

from pyparsing import makeHTMLTags, Combine, Word, nums

th,thEnd = makeHTMLTags("TH")
floatnum = Combine(Word(nums) + "." + Word(nums))
priceEntry = (th + "price" + thEnd + 
              th + "$" + floatnum("price") + thEnd)

tokens,startloc,endloc = priceEntry.scanString(html).next()

print tokens.price

Pyparsing的makeHTMLTags助手返回一对pyparsing表达式，一个用于开始标记，另一个用于结束标记。开始标记模式不仅仅是在给定字符串周围添加“＆lt;＆gt;”，而且还允许额外的空格，变量大小写以及标记属性的存在与否。例如，请注意，即使我将“TH”指定为表头标记，它也将匹配“th”，“Th”，“tH”和“TH”。 Pyparsing的默认空白跳过行为还将处理额外的空格，标记和“$”之间，“$”和数字价格之间等，而不必洒“零或更多的空白字符可以到这里”指标。最后，通过在floatum的定义中指定结果名称“price”（priceEntry之后），可以非常简单地从匹配整体{{1}的完整标记列表中访问该特定值表达。

（Combine用于两个目的：它不允许数字组成部分之间的空格;并返回单个组合标记“99.99”而不是列表priceEntry。）

beautifulsoup，找到文本'价格'，然后从下一个获得价格

2 个答案: