python - 我如何阻止漂亮的汤在解析时跳过行？

Question

在使用 beautifulsoup 解析 html 中的表格时，每隔一行以

<tr class="row_k">

而不是没有类的 tr 标签

示例 HTML

<tr class="row_k"> 
<td><img src="some picture url" alt="Item A"></td> 
<td><a href="some url"> Item A</a></td> 
<td>14.8k</td> 
<td><span class="drop">-555</span></td> 
<td> 
<img src="some picture url" alt="stuff" title="stuff"> 
</td> 
<td> 
<img src="some picture url" alt="Max llll"> 
</td> 
</tr> 
<tr> 
<td><img src="some picture url" alt="Item B"></td> 
<td><a href="some url"> Item B</a></td> 
<td>64.9k</td> 
<td><span class="rise">+165</span></td> 
<td> 
<img src="some picture url" alt="stuff" title="stuff"> 
</td> 
<td> 
<img src="some picture url" alt="max llll"> 
</td> 
</tr> 
<tr class="row_k"> 
<td><img src="some picture url" alt="Item C"></td> 
<td><a href="some url"> Item C</a></td> 
<td>4,000</td> 
<td><span class="rise">+666</span></td> 
<td> 
<img src="some picture url" title="stuff"> 
</td> 
<td> 
<img src="some picture url" alt="Maximum lllle"> 

我要提取的文本是 14.8k、64.9k 和 4,000

this1 = urllib2.urlopen('my url').read()
this_1 = BeautifulSoup(this1)
this_1a = StringIO.StringIO()
for row in this_1.findAll("tr", { "class" : "row_k" }):
  for col in row.findAll(re.compile('td')):
    this_1a.write(col.string if col.string else '')
Item_this1 = this_1a.getvalue()

我觉得这段代码写得不好，有没有更灵活的工具可以使用，比如 XML 解析器？有人可以建议。

仍然对仍然使用 beautifulsoup 的任何答案持开放态度。

Answer 1

我仍在学习很多东西，但我建议您尝试 lxml。我将对此进行尝试，我认为它主要会让你到达那里，但可能有一些我不确定的细节。

假设this1是一个字符串

from lxml.html import fromstring
this1_tree=fromstring(this1)
all_cells=[(item[0], item[1]) for item in enumerate(this1_tree.cssselect('td'))] # I am hoping this gives you the cells with their relative position in the document)

我唯一不能完全确定的是，您是否测试每个单元格的键或值或 text_content 以查明它是否具有您在 anchor 引用或文本中查找的字符串。这就是为什么我想要您的 html 样本的原因。但是其中一个应该可以工作

the_cell_before_numbers=[]
for cell in all_cells:
    if 'Item' in cell[1].text_content():
        the_cell_before_numbers.append(cell[0])

现在您已经有了单元格，然后可以通过获取下一个单元格的文本内容来获取所需的值

todays_price=all_cells[the_cell_before_number+1][1].text_content()

我相信有更漂亮的方法，但我认为这会让你到达那里。

我使用您的 html 进行了测试，得到了您想要的内容。