Question

这是我在这个论坛的第一篇文章，我相信这个论坛会在这里回答我的基本问题。

我的要求包括两个步骤。

在第一步中，我需要提取价值＆＃34;付费死亡通知＆＃34;基于标签范围和类c8和c2，用于以下html数据，其中＆＃34; DOCUMENT-TYPE：＆＃34; text是静态的，它将始终存在于我的HTML中。

<SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">Paid Death Notice</SPAN></P>

类似于下面的html数据，我需要提取＆＃34;报纸＆＃34;值基于＆＃34;出版类型＆＃34; span和class为c8和c2

<SPAN CLASS="c8">PUBLICATION-TYPE: </SPAN><SPAN CLASS="c2">Newspaper</SPAN>

我尝试过的解决方案：

from bs4 import BeautifulSoup
import re

data = """<SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">**Paid Death Notice**</SPAN>
           <SPAN CLASS="c8">PUBLICATION-TYPE: </SPAN><SPAN CLASS="c2">Newspaper</SPAN>"""


soup = BeautifulSoup(data,'lxml')
doc=soup.find('span',class_='c8')
doctext=re.compile('<SPAN(.*DOCUMENT-TYPE: </SPAN><SPAN.*?)</SPAN>')
print(doctext.match(doc.text))

结果：

None

我应该只获得付费死亡通知作为结果

类似地，可能有许多HTMl标签具有相同的DOCUMENT-TYPE：字段，它仅按值不同，所以在这种情况下，我将如何根据什么条件迭代循环？

<SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">Paid Notice: Deaths THORNTON, ROBERT</SPAN>

请帮助我解决问题。

注意：我已经在网上搜索并尝试了很多方法，但无法找到正确的解决方案，我最后在这里发帖，希望我可以为我的问题找到正确的解决方案。

Answer 1

代码：

from bs4 import BeautifulSoup

data = """<SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">**Paid Death Notice**</SPAN>
       <SPAN CLASS="c8">PUBLICATION-TYPE: </SPAN><SPAN CLASS="c2">Newspaper</SPAN>"""

soup = BeautifulSoup(data,'lxml')
doc = soup.find('span',class_='c8')
print(doc.text)

结果：

DOCUMENT-TYPE:

Answer 2

import re

data = """<SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">**Paid Death Notice**</SPAN>
           <SPAN CLASS="c8">PUBLICATION-TYPE: </SPAN><SPAN CLASS="c2">Newspaper</SPAN>
           <SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">Paid Notice: Deaths THORNTON, ROBERT</SPAN>
           """
pattern="\<SPAN CLASS=\"c8\"\>DOCUMENT-TYPE: </SPAN><SPAN CLASS=\"c2\"\>(.*)\</SPAN>"
print [a.strip("*") for a in re.findall(pattern,data)]

输出：

['Paid Death Notice', 'Paid Notice: Deaths THORNTON, ROBERT']

Answer 3

您可以使用re模块中的findall方法和正则表达式。

示例：

foo.people.unwrap_or_else(Vec::new).iter()

输出：None

您可以简单地获取res变量并获取所有键和值。如果您想将结果转换为字典，可以使用以下代码：

import re
data = """<SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">**Paid Death Notice**</SPAN>
       <SPAN CLASS="c8">PUBLICATION-TYPE: </SPAN><SPAN CLASS="c2">Newspaper</SPAN>
       <SPAN CLASS="c8">DOCUMENT-TYPE: </SPAN><SPAN CLASS="c2">Paid Notice: Deaths THORNTON, ROBERT</SPAN>
       """
data = data.replace('\n',' ')
res = re.findall("""<SPAN *CLASS="c8"> *([^:<]+): *</SPAN> *<SPAN *CLASS="c2">([^<]*)</SPAN>""", 
             data, 
             re.IGNORECASE
    )
print res
print "\n".join([ "%s: %s" % (item[0],item[1]) for item in res ])

但在这种情况下，第一个＆＃39;文件类型＆＃39;最后一次发生将被覆盖：


[('DOCUMENT-TYPE', '**Paid Death Notice**'), ('PUBLICATION-TYPE', 'Newspaper'), ('DOCUMENT-TYPE', 'Paid Notice: Deaths THORNTON, ROBERT')]
DOCUMENT-TYPE: **Paid Death Notice**
PUBLICATION-TYPE: Newspaper
DOCUMENT-TYPE: Paid Notice: Deaths THORNTON, ROBERT

Answer 4

不要混合正则表达式和BeautifulSoup，BS有足够的方法来导航DOM树：

if doc.text.startswith('DOCUMENT-TYPE'):
    print doc.find_next_sibling().text

# prints **Paid Death Notice**

您还可以使用特定属性迭代所有标记：

for tag in soup.find_all('span', class_='c8'):
    print tag.text

# DOCUMENT-TYPE:
# PUBLICATION-TYPE:

Python在包含静态文本

4 个答案: