beautifulSoup屏幕抓取列表不正确嵌套<ul> s </ul>

Question

我（非常）是BeautifulSoup的新手，过去三天试图从http://www.ucanews.com/diocesan-directory/html/ordinary-of-philippine-cagayandeoro-parishes.html获取一系列教堂。

似乎数据没有正确嵌套，但只是为了演示目的而标记。据推测，层次结构是

Parishes
    District
    (data)
        Vicariate
        (data)
            Church
            (data)

然而，我所看到的是每个教堂都以子弹开头，每个入口由两个换行符隔开。我所追求的字段名称用斜体表示，并用“：”与实际数据分开。每个单位条目（区| Vicariate | Parish）可能有一个或多个数据字段。

到目前为止，我可以取消一些数据，但我无法显示实体的名称。

soup=BeautifulSoup(page)
for e in soup.table.tr.findAll('i'):
    print e.string, e.nextSibling

最后，我希望逐列转换数据：district, vicariate, parish, address, phone, titular, parish priest, <field8>, <field9>, <field99>

希望在正确的方向上有一个好的推动。

Answer 1

不幸的是，这会有点复杂，因为这种格式有一些您需要清晰标记所需的数据。

数据模型

另外，您对嵌套的理解并不完全正确。实际的天主教会结构（不是这个文件结构）更像是：

District (also called deanery or vicariate. In this case they all seem to be Vicariates Forane.)
    Cathedral, Parish, Oratory

请注意，没有要求，Parish属于区/ deanery，尽管他们通常会这样做。我认为该文件说区域后面列出的所有内容都属于该区域，但您无法确切知道。

那里还有一个不是教会而是社区的入口（San Lorenzo Filipino-Chinese Community）。这些在教会中没有明显的身份或治理（即它不是建筑物） - 相反，它是一个非地域的人群，牧师被指派照顾。

解析

我认为你应该采取增量方法：

1. 找到所有li元素，每个元素都是“item”
2. 项目的名称是第一个文本节点
3. 找到所有i元素：这些是键，属性值，列行等
4. 直到下一个i（由br分隔）的所有文字都是该密钥的值。

此页面的一个特殊问题是，其html 病态错​​误，您需要使用MinimalSoup正确解析它。特别是{ {1}}认为BeautifulSoup元素是嵌套的，因为文档中的任何位置都没有li或ol！

此代码将为您提供元组列表的列表。每个元组都是项目的ul对。

拥有此数据结构后，您可以按照自己喜欢的方式进行规范化，转换，嵌套等，并将HTML保留在后面。

('key','value')