Question

我需要通过匹配html中的字符串来提取html中的父标签。（即）我有很多原始的html源代码。每个来源都包含文字值“VIN： * ”**以及一些字符。此文本值（VIN： * ）在每个来源中以各种格式放置，例如“＆lt; ul＆gt;” ，“＆lt; div＆gt;”等。

然后我需要提取所有值以及“VIN： * ”字符串。这意味着我需要获取其父标签。

例如，

<div class="class1">

                            Stock Number:
                            Z2079
                            <br>
                            **VIN:
                            2T2HK31UX9C110701**
                            <br>
                            Model Code:
                            9424
                            <img class="imgcert" src="/images/Lexus_cpo.jpg">
</div>

这里我有html源的“VIN”。类似于我对其他html源也有不同格式的VIN。

必须在Python中提取这些值。

有没有办法通过有效的方式匹配Python中的字符串来提取父标记？

Answer 1

我强烈建议在BeautifulSoup上使用;它为解析HTML提供了一些非常方便的功能。例如，在这两种情况下，我将如何寻找包含“VIN”的每个文本节点：

soup = your_html_here
vins = soup.findAll(text = lambda(x): x.lower.index('vin') != -1)

从那里，您只需遍历该集合，抓住每个节点的父节点，抓住所述父节点的内容，并按您认为合适的方式解析它们：

for v in vins:
    parent_html = v.parent.contents
    # more code here

Answer 2

对于一个如此简单的任务，它包含ANLYZING字符串，而不是PARSING它（解析=构建文本的树表示），你可以这样做：

文字

ss = '''
Humpty Dumpty sat on a wall
<div class="class1">
    Stock Number:
    Z2079
    <br>
        **VIN:
        2T2HK31UX9C110701**
    <br>
    Model Code:
    9424
    <img class="imgcert" src="/images/Lexus_cpo.jpg">
</div>

Humpty Dumpty had a great fall
<ul cat="zoo">
    Stock Number:
    ARDEN3125
    <br>
        **VIN:
        SHAKAMOSK-230478-UBUN**
    </br>
    Model Code:
    101
    <img class="imgcert" src="/images/Magana_cpo.jpg">
</ul>

All the king's horses and all the king's men
<artifice>
    <baradino>
        Stock Number:
        DERT5178
        <br>
            **VIN:
            Pandaia-67-Moro**
        <br>
        Model Code:
        1234
        <img class="imgcert" src="/images/Pertuis_cpo.jpg">
    </baradino>
    what what what who what
    <somerset who="maugham">
        Nothing to declare
    </somerset>
</artifice>

Couldn't put Humpty Dumpty again
<ending rtf="simi">
    Stock Number:
    ZZZ789
    <br>
        **VIN:
        0000012554-ENDENDEND**
    <br>
    Model Code:
    QS78-9
    <img class="imgcert" src="/images/Sunny_cpo.jpg">
</ending>

qsdjgqsjkdhfqjkdhgfjkqshgdfkjqsdjfkh'''

代码：

import re

regx = re.compile('<([^ >]+) ?([^>]*)>'
                  '(?!.+?<(?!br>)[^ >]+>.+?<br>.+?</\\1>)'
                  '.*?\*\*VIN:(.+?)\*\*.+?</\\1>',
                  re.DOTALL)

li = [ (mat.group(1),mat.group(2),mat.group(3).strip(' \n\r\t'))
       for mat in regx.finditer(ss) ]

for el in li:
    print '(%-15r, %-25r, %-25r)' % el

结果

('div'          , 'class="class1"'         , '2T2HK31UX9C110701'      )
('ul'           , 'cat="zoo"'              , 'SHAKAMOSK-230478-UBUN'  )
('baradino'     , ''                       , 'Pandaia-67-Moro'        )
('ending'       , 'rtf="simi"'             , '0000012554-ENDENDEND'   )

re.DOTALL必须为点符号提供匹配换行符的能力（默认情况下，正则表达式模式中的点匹配除换行符之外的每个字符）

\\1是指定在被检查字符串中的这个位置，必须有第一组捕获的字符串的相同部分，即部分([^ >]+)

'(?!.+?<(?!br>)[^ >]+>.+?<br>.+?</\\1>)'是指在开始标记与HTML元素的结束标记之间遇到第一个标记<br>之前，禁止在<br>之外找到标记的部分。
此部分对于在VIM分开<br>之前捕获最接近的前一个标记是必要的如果此部分不存在，则使用正则表达式

regx = re.compile('<([^ >]+) ?([^>]*)>'
                  '.*?\*\*VIN:(.+?)\*\*.+?</\\1>',
                  re.DOTALL)

获得以下结果：

('div'          , 'class="class1"'         , '2T2HK31UX9C110701'      )
('ul'           , 'cat="zoo"'              , 'SHAKAMOSK-230478-UBUN'  )
('artifice'     , ''                       , 'Pandaia-67-Moro'        )
('ending'       , 'rtf="simi"'             , '0000012554-ENDENDEND'   )

区别在于'技巧'而不是'baradino'

Answer 3

对于不使用任何xml / html-parser的纯字符串版本，您可以尝试正则表达式（重新）：

import re

html_doc = """ <div ...VIN ...  /div>"""

results = re.findall('<(.+>).*VIN.*+</\1', html_doc)

如何通过匹配字符串在Python中提取父html标记

3 个答案: