我有几个 html 文档，其中包含以下类型的信息:
<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>
我正在尝试提取人名(此处:Thomas A Dumpling)，以及 event1(此处:1940 年 2 月 4 日)和 event2 日期和地点(此处:2002 年 10 月 9 日，马里兰州拉普拉塔)，从 html 文件中获取内容，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 文件效果很好，但对于我上面发布的 html 代码类型根本不起作用；也就是说，执行了以下 Python 代码，但它在 csv 文件的相应列中添加了“missing”。
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 页面并对其进行了 pretty-print 。这使得更容易看到发生了什么:
<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，会生成一个如下所示的 csv 文件
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/