Question

我有一个非常长的HTML文件，我无法修改但想要解析CSV输出。想象一下，以下代码在同一行上重复了数百次。我意识到如果有换行符会更简单，但我无法控制文件的创建方式。您还应该知道此代码中没有友好的换行符;想象完全缩小的代码。我刚刚添加了休息，因此更容易想象。但是，任何实际的解决方案都不能依赖换行符或空格，因为它们实际上不存在。

<tr id="link">
<td><a href="https://www.somewebsite.com" target="_target">Title</a></td>
<td>Value 1</td><td style="width:20ch">Value 2</td>
<td></td><td></td><td>Value 3</td>
<td>Value 4</td><td>Value 5</td><td>Value 6</td>
<td>Value 7</td><td>Value 8</td><td>Value 9</td></tr>

我想要的输出是https://www.somewebsite.com, Title, Value 1, Value 2, , , Value 3, ...（等等）

基本上，我想用逗号替换标记中的所有值，但保留URL。我在Python中找不到任何解析这样的东西的方法，因为Python中的scan（），find（）等函数似乎并没有全局跟踪文件指针，因为我习惯于像C这样的语言所以，无论我做什么，我都会不断地看着这条线的起点。

Answer 1

from bs4 import BeautifulSoup

html_doc = """
<tr id="link">
<td><a href="https://www.somewebsite.com" target="_target">Title</a></td>
<td>Value 1</td><td style="width:20ch">Value 2</td>
<td></td><td></td><td>Value 3</td>
<td>Value 4</td><td>Value 5</td><td>Value 6</td>
<td>Value 7</td><td>Value 8</td><td>Value 9</td></tr>"""

for tr in BeautifulSoup(html_doc, 'html.parser').find_all('tr'):
    row = []
    for td in tr.find_all('td'):
        anchor = td.find('a')
        row.extend([anchor['href'], anchor.text] if anchor else [td.text])
    print(', '.join(row))

如何用Python中的逗号（用于CSV）替换HTML标记？

1 个答案: