Question

我有一个使用汤findAll创建的数组，其第一个元素具有以下信息。在此列表中，我只需要地址信息，即
“ 54000 NANCY 47 RUE SERGENT BLANDAN”，如何获得此信息？

git rebase -i

Answer 1

您可以取出您的琴弦，并在取出感兴趣的物品后使用re进行一些琴弦清洁。这是特定于您的json

import  re

s = {
  "div": {
    "@class": "result-left",
    "h3": "Establishment(s)",
    "div": [
      {
        "label": "Status:",
        "#text": "Closed"
      },
      {
        "p": {
          "label": "Brand name:",
          "#text": "LE ZODIAC"
        }
      },
      {
        "p": {
          "label": "Usual name:"
        }
      },
      {
        "p": {
          "label": "Address:",
          "br": [
            "",
            "54000\r\n\t\t\t\t\t\t\t\t\t\t\tNANCY"
          ],
          "#text": "47\r\n\t\t\t\t\t\t\t\t\t\t\r\n\t\t\t\t\t\t\t\t\t\tRUE\r\n\t\t\t\t\t\t\t\t\t\tSERGENT BLANDAN"
        }
      },
      {
        "p": {
          "label": "Principal activity:",
          "#text": "47.78C - \r\n\t\t\t\t\t\t\t\t\t\t\t\r\n\t\t\t\t\t\t\t\t\t\t\tAutres commerces de détail spécialisés divers"
        }
      },
      {
        "p": {
          "label": {
            "sup": "*",
            "#text": [
              "Employee numbers",
              ":"
            ]
          }
        }
      },
      {
        "p": {
          "label": "Year employee numbers verified:"
        }
      }
    ]
  }
}

result =  re.sub(r'\r\n\t+',' ',' '.join([s['div']['div'][3]['p']['br'][1], s['div']['div'][3]['p']['#text']]))
print(result)

Answer 2

具有很多重复的制表符，CRLF和其他空格似乎不太方便。定义该功能值得您花时间：

def simplify_ws(s: str):
    """Coalesces multiple whitespace, e.g. 'a   b c' --> 'a b c'."""
    return ' '.join(s.split())

您的字典非常好而且很完整，因此它肯定可以用于解决方案。但是让bs4迭代 just 您最喜欢的段落会更方便：

for p in soup.find_all('p'):
    txt = p.get_text()
    if 'Address:' in txt:
        print(simplify_ws(txt))

您可能希望在此之上进行更多过滤和调整。

使用python进行特定网页的抓取

2 个答案: