- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有几个包含以下类型信息的 html 文档:
<td class="principal-col">
<div class="pr-person">
<div class="name"><span id="pr_person-icon" class="bullet-male-left"></span><span class="person-link">Thomas A /Dumpling/</span></div>
<table class="events" border="0">
<tr>
<td class="factLabel">event1: </td>
<td>
4 February 1940
<br/>
</td>
</tr>
<tr>
<td class="factLabel">event2: </td>
<td>
9 October 2002
<br/>Laplata, Md
</td>
</tr>
我正在尝试提取此人的姓名(此处:Thomas A Dumpling)以及事件 1(此处:1940 年 2 月 4 日)和事件 2 的日期和地点(此处:2002 年 10 月 9 日,马里兰州拉普拉塔),来自 html 文件,并将内容放入 csv 文件“data.csv”的名为“Name”、“Event1”、“Event2”的列中。
如何从上面的 html 代码中提取名称到目前为止我还没有弄清楚。对于 event1 和 event2 日期信息,以下代码对于类似的 html 文件运行良好,但对于我上面发布的 html 代码类型根本不起作用;也就是说,通过了以下 Python 代码,但它在 csv 文件的相应列中放置了“缺失”。
from bs4 import BeautifulSoup
import csv
import re
import glob
import os
f= csv.writer(open('data.csv', 'w'))
f.writerow(["Event1", "Event2"])
path = 'C:\\File-Path\\*'
for infile in glob.glob(os.path.join(path, "148929_S1N8-DQ7.htm")):
soup = BeautifulSoup (open(infile))
myDict = {}
for item in ["event1:", "event2:"]:
try:
myDict[item] = soup.find('td', text=re.compile(r'^%s$' % item)).findNext('td').text
myDict[item] = myDict[item].strip()
myDict[item] = myDict[item].lstrip()
myDict[item] = myDict[item].rstrip()
myDict[item] = myDict[item].encode('UTF-8')
except Exception:
myDict[item] = "missing"
pass
f.writerow([myDict["event1:"], myDict["event2:"]])
非常感谢任何指点!
最佳答案
首先,我将您的示例数据转换为有效的 html 页面并进行了 pretty-print 。这样可以更轻松地查看正在发生的事情:
<html><body><table><tr>
<td class="principal-col">
<div class="pr-person">
<div class="name">
<span id="pr_person-icon" class="bullet-male-left"></span>
<span class="person-link">Thomas A /Dumpling/</span>
</div>
<table class="events" border="0">
<tr>
<td class="factLabel">event1: </td>
<td>4 February 1940<br/></td>
</tr>
<tr>
<td class="factLabel">event2: </td>
<td>9 October 2002<br/>Laplata, Md</td>
</tr>
</table>
</div>
</td>
</tr></table></body></html>
然后稍微改变一下你的程序:
from bs4 import BeautifulSoup
import csv
import glob
import os
DATA_PATH = "c:\\file_path\\"
FILESPEC = "*.htm"
OUTFILE = "data.csv"
def main():
data = []
for fname in glob.glob(os.path.join(DATA_PATH, FILESPEC)):
with open(fname) as inf:
pg = BeautifulSoup(inf.read())
for person in pg.findAll('td', {'class':'principal-col'}):
data.append(get_data(person))
data.sort()
with open(os.path.join(DATA_PATH, OUTFILE), 'wb') as outf:
outcsv = csv.writer(outf)
outcsv.writerow(["Name", "Born", "Hired"])
outcsv.writerows(data)
if __name__ == "__main__":
main()
只留下实际的解析代码,
def get_string(node, default=''):
if node:
return ', '.join(node.stripped_strings)
else:
return default
def get_data(td_princ):
name = get_string(td_princ.find('span', {'class':'person-link'})).replace('/', '')
birth = hired = '(missing)'
for event in td_princ.find('table', {'class': 'events'}).findAll('tr'):
cnt = [get_string(cell) for cell in event.findAll('td')]
if len(cnt) == 2:
if cnt[0] == "event1:":
birth = cnt[1]
elif cnt[0] == "event2:":
hired = cnt[1]
return (name, birth, hired)
当针对示例数据运行时,生成的 csv 文件如下所示
Name,Born,Hired
Thomas A Dumpling,4 February 1940,"9 October 2002, Laplata, Md"
关于python - 解析 HTML Python, BeautifulSoup,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21662236/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!