python - beautifulsoup findall-6ren

python - beautifulsoup findall

转载作者：数据小太阳更新时间：2023-10-29 01:54:33

26

4

我有一些 xml:

<article>
<uselesstag></uslesstag>
<topic>oil, gas</topic>
<body>body text</body>
</article>

<article>
<uselesstag></uslesstag>
<topic>food</topic>
<body>body text</body>
</article>

<article>
<uselesstag></uslesstag>
<topic>cars</topic>
<body>body text</body>
</article>

有很多很多无用的标签。我想使用 beautifulsoup 收集正文标签中的所有文本及其关联的主题文本，以创建一些新的 xml。

我是 python 的新手，但我怀疑某种形式的

import arff
from xml.etree import ElementTree
import re
from StringIO import StringIO

import BeautifulSoup
from BeautifulSoup import BeautifulSoup

totstring=""

with open('reut2-000.sgm', 'r') as inF:
    for line in inF:
        string=re.sub("[^0-9a-zA-Z<>/\s=!-\"\"]+","", line)
    totstring+=string


soup = BeautifulSoup(totstring)

body = soup.find("body")



for anchor in soup.findAll('body'):
    #Stick body and its topics in an associated array?




file.close

会起作用。

1) 我该怎么做？2) 我应该向 XML 添加根节点吗？否则它不是正确的 XML 是吗？

非常感谢

编辑:

我想要结束的是:

<article>
<topic>oil, gas</topic>
<body>body text</body>
</article>

<article>
<topic>food</topic>
<body>body text</body>
</article>

<article>
<topic>cars</topic>
<body>body text</body>
</article>

有很多很多无用的标签。

最佳答案

好的。这是解决方案，

首先，确保你安装了“beautifulsoup4”:http://www.crummy.com/software/BeautifulSoup/bs4/doc/#installing-beautiful-soup

这是我获取所有正文和主题标签的代码:

from bs4 import BeautifulSoup
html_doc= """
<article>
<topic>oil, gas</topic>
<body>body text</body>
</article>

<article>
<topic>food</topic>
<body>body text</body>
</article>

<article>
<topic>cars</topic>
<body>body text</body>
</article>
"""
soup = BeautifulSoup(html_doc)

bodies = [a.get_text() for a in soup.find_all('body')]
topics = [a.get_text() for a in soup.find_all('topic')]

关于python - beautifulsoup findall，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/10519025/

26

4

0

文章推荐： xml - git rerere 如何找出两个冲突之间的相似之处？

文章推荐： go - 如何通过 markdown 名称遍历 hugo 页面

文章推荐： go - 如何使用 fmt.Println() 扩展变量

文章推荐： go - 使用go的struct指针作为接口(interface)

beautifulsoup - BeautifulSoup 。如何获取包含特定单词的链接？
HTML 在 div 中包含字符串: 'div class="slide"' 'img src="xttps://site.com/files/r_1000,kljg894/43k5j/35h43jk
beautifulsoup - 使用 BeautifulSoup 从属性中提取 href
我用这个方法 allcity = dom.body.findAll(attrs={'id' : re.compile("\d{1,2}")}) 返回这样的列表: [掳虏驴碌路驴碌脴虏煤脨脜脧垄脥酶隆
beautifulsoup - 安装了 BeautifulSoup 但仍然没有得到名为 bs4 的模块
我正在使用 Jupyter 笔记本、Python 3.5 和虚拟环境。在我的虚拟环境中，我做了: (venv) > pip install BeautifulSoup4 这似乎运行良好 b/c 终端
python - 当我不使用 BeautifulSoup 时如何摆脱 BeautifulSoup html 解析器错误
我打算用 GUI 制作一个字典程序，但我在第一个障碍上就失败了。我刚刚安装了一个模块( PyDictionary )，但是当我运行以下代码时出现错误。 from PyDictionary import
python - Beautifulsoup 与 lxml vs Beautifulsoup 3
我正在将一些解析器从 BeautifulSoup3 迁移到 BeautifulSoup4，我认为考虑到 lxml 非常快并且它是我在 BS4 中使用的解析器，分析它会变得多快是个好主意，这里是分析结果
python - 来自 : can't read/var/mail/BeautifulSoup 的 BS4 和 BeautifulSoup 错误
这个问题在这里已经有了答案: Getting Python error "from: can't read /var/mail/Bio" (6 个答案) 关闭 11 个月前。 From Beauti
python - 从大文件中剥离 html 比 BeautifulSoup 更快/更少的资源破坏方式？或者，使用 BeautifulSoup 的更好方法？
目前我无法输入这个，因为根据 top，我的处理器是 100%，我的内存是 85.7%，都被 python 占用了。为什么？因为我让它通过一个 250 兆的文件来删除标记。 250兆，就是这样!我一直
Python Beautifulsoup : file. write(str) 方法获取 TypeError : write() argument must be str, 不是 BeautifulSoup
我写了下面的代码: from bs4 import BeautifulSoup import sys # where is the sys module in the source code fold
What causes `None` results from BeautifulSoup functions? How can I avoid "AttributeError: 'NoneType' object has no attribute..." with BeautifulSoup?(是什么原因导致了BeautifulSoup函数的`None‘结果？如何避免“AttributeError：‘NoneType’对象没有属性...”配上美人汤？)
通常，当我尝试使用BeautifulSoup解析网页时，BeautifulSoup函数会得到NONE结果，否则就会引发AttributeError。。以下是一些独立的(即，由于数据是硬编码的，不需要访
What causes `None` results from BeautifulSoup functions? How can I avoid "AttributeError: 'NoneType' object has no attribute..." with BeautifulSoup?(是什么原因导致了BeautifulSoup函数的`None‘结果？如何避免“AttributeError：‘NoneType’对象没有属性...”配上美人汤？)
通常，当我尝试使用BeautifulSoup解析网页时，BeautifulSoup函数会得到NONE结果，否则就会引发AttributeError。。以下是一些独立的(即，由于数据是硬编码的，不需要访
BeautifulSoup 嵌套类选择器
我正在为一个项目使用 BeautifulSoup。这是我的 HTML 结构 John Sam Bailey Jack
beautifulsoup - 从外部文件中删除多余的垃圾字符
这段代码正确地从我的博客中提取了马拉地语文本。我很欣赏使用漂亮的汤和正则表达式是多么容易。 from bs4 import BeautifulSoup import requests, re url
用于HTML解析的Python正则表达式(BeautifulSoup)
我想获取 HTML 中隐藏输入字段的值。我想用 Python 编写一个正则表达式，它将返回 fooId 的值，前提是我知道 HTML 中的行遵循以下格式有人可以提供一个 Python 示例来解
Python Beautifulsoup 获取标签下的文字
我正在尝试获取特定月份的所有链接、标题和日期，例如网站上的三月，我正在使用 BeautifulSoup 这样做: from bs4 import BeautifulSoup import reques
python - Beautifulsoup 使用下一个按钮分页
我正试图通过此链接收集有关 2020 年世界上收入最高的运动员收入的信息 https://www.forbes.com/profile/roger-federer/?list=athletes这是第一
python - BeautifulSoup - 捕获特定类或文本的所有链接
我正在尝试从带有美丽汤的网页中捕获所有相关链接。我需要的所有链接都有 class="btn btn-gray"还有文字 More Info<> 仅提取这些链接的最佳方法是什么？最佳答案这个怎么样？
python - Beautifulsoup 带有下拉菜单的网页抓取网站
我正在尝试抓取一个具有下拉菜单的站点，用户可以在其中选择要显示的数据的年份。但是，我似乎被困在我的实现中。这是网站网址:https://www.pgatour.com/tournaments/mas
python - Beautifulsoup 网络爬虫问题
我正在使用 BeautifulSoup 和 mechanise 从网页中查找一些内容。问题是有时找不到我正在寻找的字符串。我不知道有什么问题对于许多网页，它可以正常工作数月，但突然停止工作。然后我必
python - BeautifulSoup 解析返回空集
( 更新代码就在下面) 我有一个类:UrlData , 生成一个 url 列表: for url in urls: rawMechSiteInfo = mech.open(url) #me
python - 如何打印谷歌搜索结果的数量(Beautifulsoup)
这是我到目前为止所做的事情: import requests from bs4 import BeautifulSoup URL = "https://www.google.com/search?q=

首页

博学

6Ren·AI

商城

python - beautifulsoup findall