Question

我通过beautifulsoup解析了一个HTML页面，将具有特定div名称的所有class元素提取到一个列表中。

我现在必须清除此列表中的HTML字符串，留下我需要的字符串标记。

我开始的列表如下所示：

[<div class="info-1">\nName1a    <span class="bold">Score1a</span>\n</div>, <div class="info-2">\nName1b    <span class="bold">Score1b</span>\n</div>, <div class="info-1">\nName2a    <span class="bold">Score2a</span>\n</div>, <div class="info-2">\nName2b    <span class="bold">Score2b</span>\n</div>, <div class="info-1">\nName3a    <span class="bold">Score3a</span>\n</div>, <div class="info-2">\nName3b    <span class="bold">Score3b</span>\n</div>]

空白是故意的。我需要将该列表缩减为：

[('Name1a', 'Score1a'), ('Name1b', 'Score1b'), ('Name2a', 'Score2a'), ('Name2b', 'Score2b'), ('Name3a', 'Score3a'), ('Name3b', 'Score3b')]

什么是解析像这样的子串的有效方法？

我已尝试使用split方法（例如[item.split('<div class="info-1">\n',1) for item in string_list]），但拆分只会导致需要进一步拆分的子字符串（因此效率低下）。同样使用replace。

我觉得我应该走另一条路并提取我需要的令牌，但我似乎无法用优雅的方式绕过去做这件事。对此不熟悉也没有帮助。我恭维你的帮助。

Answer 1

除非你真的需要这样做，否则不要将BS对象转换为字符串。
使用CSS选择器查找以class

info

使用stripped_strings获取标记
使用tuple()将可迭代对象转换为元组对象

import bs4

html = '''<div class="info-1">\nName1a    <span class="bold">Score1a</span>\n</div>, <div class="info-2">\nName1b    <span class="bold">Score1b</span>\n</div>, <div class="info-1">\nName2a    <span class="bold">Score2a</span>\n</div>, <div class="info-2">\nName2b    <span class="bold">Score2b</span>\n</div>, <div class="info-1">\nName3a    <span class="bold">Score3a</span>\n</div>, <div class="info-2">\nName3b    <span class="bold">Score3b</span>\n</div>'''

soup = bs4.BeautifulSoup(html, 'lxml')

for div in soup.select('div[class^="info"]'):
    t = tuple(text for text in div.stripped_strings)
    print(t)

出：

('Name1a', 'Score1a')
('Name1b', 'Score1b')
('Name2a', 'Score2a')
('Name2b', 'Score2b')
('Name3a', 'Score3a')
('Name3b', 'Score3b')

用于提取子字符串的Python列表处理

1 个答案: