[英]Extracting specific Information from a website using BeautifulSoup (Python)
[英]Extracting specific information from fetched HTML code using python
我是python中的一个相对较新的人。 我需要一些关于生物信息学项目的建议。 这是关于将某些酶 ID 转换为其他酶 ID。
我已经做的和有效的,是从 Rhea 数据库中获取 ID 列表的 html 代码:
53 url2 = "http://www.rhea-db.org/reaction?id=16952"
54 f_xml2 = open("xml_tempfile2.txt", "w")
55
56 fetch2 = pycurl.Curl()
57 fetch2.setopt(fetch2.URL, url2)
58 fetch2.setopt(fetch.WRITEDATA, f_xml2)
59 fetch2.perform()
60 fetch2.close
所以 HTML 代码被保存到一个临时的 txt 文件中(我知道,这可能不是最优雅的做事方式,但它对我有用;)。
现在我感兴趣的是 HTML 中的以下部分:
<p>
<h3>Same participants, different directions</h3>
<div>
<a href="./reaction?id=16949"><span>RHEA:16949</span></a>
<span class="icon-question">myo-inositol + NAD(+) <?> scyllo-inosose + H(+) + NADH</span>
</div><div>
<a href="./reaction?id=16950"><span>RHEA:16950</span></a>
<span class="icon-arrow-right">myo-inositol + NAD(+) => scyllo-inosose + H(+) + NADH</span>
</div><div>
<a href="./reaction?id=16951"><span>RHEA:16951</span></a>
<span class="icon-arrow-left-1">scyllo-inosose + H(+) + NADH => myo-inositol + NAD(+)</span>
</div>
</p>
我想通过代码直到达到类“icon-arrow-right”(这个表达式在 HTML 中是唯一的)。 然后我想从上面的行中提取“RHEA:XXXXXX”的信息。 所以在这个例子中,我想以 16950 结束。
有没有一种简单的方法可以做到这一点? 我已经尝试过 HTMLparser,但无法让它以查找某个类的方式工作,然后从上面的行中给我 ID。
非常感谢您提前!
您可以使用像BeautifulSoup这样的 HTML 解析器来执行此操作:
>>> from bs4 import BeautifulSoup
>>> html = """ <p>
... <h3>Same participants, different directions</h3>
... <div>
... <a href="./reaction?id=16949"><span>RHEA:16949</span></a>
... <span class="icon-question">myo-inositol + NAD(+) <?> scyllo-inosose + H(+) + NADH</span>
... </div><div>
... <a href="./reaction?id=16950"><span>RHEA:16950</span></a>
... <span class="icon-arrow-right">myo-inositol + NAD(+) => scyllo-inosose + H(+) + NADH</span>
... </div><div>
... <a href="./reaction?id=16951"><span>RHEA:16951</span></a>
... <span class="icon-arrow-left-1">scyllo-inosose + H(+) + NADH => myo-inositol + NAD(+)</span>
... </div>
... </p>"""
>>> soup = BeautifulSoup(html, 'html.parser')
>>> soup.find('span', class_='icon-arrow-right').find_previous_sibling().get_text()
'RHEA:16950'
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.