- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个如下所示的 HTML 字符串:
<p>
Type: <a href="wee.html">Tough</a><br />
Main Type:
<a href='abnormal.html'>Abnormal</a> <br />
Wheel:
<a href='none.html'>None</a>,<a href='squared.html'>Squared</a>,<a href='triangle.html'>Triangled</a> <br />
Movement type: <a href=forward.html">Forward</a><br />
Level: <a href="beginner.html">Beginner</a><br />
Sport: <a href="no.html">No</a><br/>Force: <a href="pull.html">Pull</a><br/> <span style="float:left;">Your Rating: </span> <div id="headersmallrating" style="float:left; line-height:20px;"><a href="rate.html">Login to rate</a></div><br />
</p>
换句话说,有点非结构化。我希望能够首先检测字符串 Type
和 Main Type
以及它们的链接(和链接文本)。我试过用正则表达式检测单词,但这没有任何用处。如何处理这种不可靠的数据?
最佳答案
如果我事先知道类别,如 Type
、Force
等,那么提前准备一个列表可能会更容易。
代码:
from bs4 import BeautifulSoup as bsoup
import re
ofile = open("test.html", "rb")
soup = bsoup(ofile)
soup.prettify()
categories = ["Type:","Main Type:","Wheel:","Movement type:","Level:","Sport:","Force:"]
for category in categories:
f = soup.find(text=re.compile(category)).next_sibling
string = f.get_text()
ref = f.get("href")
print "%s %s (%s)" % (category, string, ref)
结果:
Type: Tough (wee.html)
Main Type: Abnormal (abnormal.html)
Wheel: None (none.html)
Movement type: Forward (forward.html)
Level: Beginner (beginner.html)
Sport: No (no.html)
Force: Pull (pull.html)
[Finished in 0.2s]
如果这有帮助,请告诉我。
编辑:
如果它后面有多个元素,这将正确处理 Wheel
。
代码:
from bs4 import BeautifulSoup as bsoup, Tag
import re
ofile = open("unstructured.html", "rb")
soup = bsoup(ofile)
soup.prettify()
categories = ["Type:","Main Type:","Wheel:","Movement type:","Level:","Sport:","Force:"]
for category in categories:
wheel_list = []
f = soup.find(text=re.compile(category)).next_sibling
if category != "Wheel:":
string = f.get_text()
ref = f.get("href")
print "%s %s (%s)" % (category, string, ref)
else:
while f.name == "a":
content = f.contents[0]
res = f.get("href")
wheel_list.append("%s (%s)" % (content, res))
f = f.find_next()
ref = ", ".join(wheel_list)
print "%s %s" % (category, ref)
结果:
Type: Tough (wee.html)
Main Type: Abnormal (abnormal.html)
Wheel: None (none.html), Squared (squared.html), Triangled (triangle.html)
Movement type: Forward (forward.html)
Level: Beginner (beginner.html)
Sport: No (no.html)
Force: Pull (pull.html)
[Finished in 0.3s]
如果这有帮助,请告诉我们。
关于python - 从非结构化 HTML 数据中解析链接和字符串,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22885295/
我是 python 的新手。我试图找到我的文本的频率分布。这是代码, import nltk nltk.download() import os os.getcwd() text_file=open(
我对安卓 fragment 感到困惑。我知道内存 fragment 但无法理解什么是 android fragment 问题。虽然我发现很多定义,比如 Android fragmentation re
尝试对 WordPress 进行 dockerise 我发现了这个场景: 2个数据卷容器,一个用于数据库(bbdd),另一个用于wordpress文件(wordpress): sudo docker
这个问题已经有答案了: From the server is there a way to know that my page is being loaded in an Iframe (1 个回答)
我正在玩小型服务器,试图对运行在其上的服务进行docker化。为简化起见,假设我必须主要处理:Wordpress和另一项服务。 在Docker集线器上有许多用于Wordpress的图像,但是它们似乎都
我想要发生的是,当帐户成功创建后,提交的表单应该消失,并且应该出现一条消息(取决于注册的状态)。 如果成功,他们应该会看到一个简单的“谢谢。请检查您的电子邮件。” 如果不是,那么他们应该会看到一条适当
就是这样,我需要为客户添加一个唯一标识符。通过 strip 元数据。这就是我现在完全构建它的方式,但是我只有最后一部分告诉我用户购买了哪个包。 我试着看这里: Plans to stripe 代码在这
我有一个类将执行一些复杂的操作,涉及像这样的一些计算: public class ComplexAction { public void someAction(String parameter
这个问题已经有答案了: maven add a local classes directory to module's classpath (1 个回答) 已关闭10 年前。 我有一些不应更改的旧 E
我使用 fragment 已经有一段时间了,但我经常遇到一个让我烦恼的问题。 fragment 有时会相互吸引。现在,我设法为此隔离了一个用例,它是这样的: Add fragment A(也使用 ad
我的 html 中有一个 ol 列表,上面有行条纹。看起来行条纹是从数字后面开始的。有没有办法让行条纹从数字开始? 我已经包含了正在发生的事情的片段 h4:nth-child(even) {
如何仅使用 css 将附加图像 html 化? 如果用纯 css 做不到,那我怎么能至少用一个图像来做 最佳答案 这不是真正的问题,而是您希望我们为您编写代码。我建议您搜索“css breadcrum
以下是 Joshua 的 Effective Java 的摘录: If you do synchronize your class internally, you can use various te
在这里工作时,我们有一个框向业务合作伙伴提供 XML 提要。对我们的提要的请求是通过指定查询字符串参数和值来定制的。其中一些参数是必需的,但很多不是。 例如,我们要求所有请求都指定一个 GUID 来标
我有 3 个缓冲区,其中包含在 32 位处理器上运行的 R、G、B 位数据。 我需要按以下方式组合三个字节: R[0] = 0b r1r2r3r4r5r6r7r8 G[0] = 0b g1g2g3g4
我最近发现了关于如何使用 History.js、jQuery 和 ScrollTo 通过 HTML5 History API 对网站进行 Ajax 化的要点:https://github.com/br
我们有一个 Spring Boot 应用程序,由于集成需要,它变得越来越复杂——比如在你这样做之后发送一封电子邮件,或者在你之后广播一条 jms 消息等等。在寻找一些更高级别的抽象时,我遇到了 apa
我正在尝试首次实施Google Pay。我面临如何指定gateway和gatewayMarchantId的挑战。 我所拥有的是google console帐户,不知道在哪里可以找到此信息。 priva
昨天下午 3 点左右,我为两个想要从一个 Azure 帐户转移到另一个帐户的网站设置了 awverify 记录。到当天结束时,Azure 仍然不允许我添加域,所以我赌了一把,将域和 www 子域重新指
我正在使用terms facet在elasticsearch服务器中获取顶级terms。现在,我的标签"indian-government"不被视为一个标签。将其视为"indian" "governm
我是一名优秀的程序员,十分优秀!