python - 如何通过匹配字符串在Python中提取父html标签

Question

我需要通过匹配html中的字符串来提取html中的父标签。(IE) 我有很多原始的 html 资源。每个来源都包含带有一些字符的文本值 "VIN:*"**。此文本值 (VIN:*) 以各种格式放置在每个源中，如“< ul >”、“< div >”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它的父标签。

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”。与此类似，我也有不同格式的其他 html 源的 VIN。

必须在 Python 中提取这些值。

有没有办法通过匹配Python中的字符串来提取父标签也很有效？

Answer 1

我强烈推荐使用BeautifulSoup就此；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，我将如何查找包含“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，获取每个节点的父节点，获取所述父节点的内容，然后按照您认为合适的方式解析它们:

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