Question

我正在使用BeautifulSoup从HTML页面中提取一些数据。我在做的是：

list=soup.find_all('td', {'align': 'left', 'valign': None})
print list[0]

它给了我

<td align="left">\n<h3>Name XYZ</h3>\n CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX, <br/>KANDIVALI EAST,<br/>Mumbai  MAHARASHTRA-400101</td>

但我希望输出如下：

Name: Name XYZ, Add: CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX, KANDIVALI EAST, Mumbai  MAHARASHTRA-400101

我该怎么办？

Answer 1

find_all将返回标记列表，因此当您访问列表list[0]中的第一个项目时，它将返回第一个标记，就像输出一样

如果要为标记提取文本，可以使用tag.text，在您的情况下

list[0].text

Answer 2

实际上，根据您的需求，我认为有两种方法可供选择。

我不确定你想要的输出前面的“名称”和“添加”字符串是否是拼写错误，所以这里有两种可能的方式我会看到：

如果您只想提取从list_tags方法获得的find_all的每个标记下方的所有文字，而不进行任何操作，例如将每个单词分开，请转到{{1}方法。

有了它，你可以选择一个简单的列表理解，如：

get_text()

>>> simple_uni_text = [tag.get_text() for tag in list_tags] >>> simple_uni_text [u'\nName XYZ\n CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR COMPLEX, KANDIVALI EAST,Mumbai MAHARASHTRA-400101', u'\nName ABC\n DUT WITHOUT LAYIN, 45 FOOT AODR, RUKTHA SIMPLE, BOMBAY WEST,BOMBAY RASHTRAMAHA-400101'] >>> len(simple_uni_text) >>> 2 # I pretended the list_tags to have two tags, so it generated a list of length two! 生成器。

它可能是一种棘手的方法。但你可以获得精确度。

stripped_strings

在这里，您将list_tags的每个标签下面的每个字符串与另一个字符串分开。因此，如果您确实要在文本前面添加以下“名称”和“添加”，那么它可以更好地符合您的需求。

>>> uni_stripped_words = []
>>> for tag in list_tags:
        for string in tag.stripped_strings:
            uni_stripped_words.append(string)
>>> uni_stripped_words
[u'Name XYZ', u'CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX,', u'KANDIVALI EAST,', u'Mumbai  MAHARASHTRA-400101', u'Name ABC', u'DUT WITHOUT LAYIN, 45 FOOT AODR, RUKTHA  SIMPLE,', u'BOMBAY WEST,', u'BOMBAY RASHTRAMAHA-400101']
>>> len(uni_stripped_words)
8

无论如何，在这两种情况下，不要忘记结果列表将包含unicode类型的提取文本。

干杯

美丽的汤完全标记数据

2 个答案: