[英]How to search string in a line and extract data between two characters in python?
[英]How to extract values of interests between two characters?
我正在使用以下HTML代碼在網絡上抓取網頁:
Predecessors · <i class="fa fa-sign-in"></i> / Successors · <i class="fa fa-sign-out"></i>
</dt>
<dd>
1931 ·
<a class="active" href="../../../aus/party/1253">
ALP </a> ·
<i class="fa fa-sign-in"> </i> splinter
</dd>
<dd>
1931 ·
<a class="active" href="../../../aus/party/1905">
NAT </a> ·
<i class="fa fa-sign-in"> </i> successor
</dd>
我用於獲取以上輸出的代碼如下:
import urllib.request
url_pc = str('http://www.parlgov.org/explore/aus/party/1912/")
fp = urllib.request.urlopen(url_pc)
mybytes = fp.read()
mystr = mybytes.decode("utf8")
fp.close()
#print(mystr)
str1 = mystr[mystr.find('Predecessors'):]
str2 = str1.split("</div>", 1)[0]
str3 = str2.split("<dt> Party (name) changes</dt>", 1)[0]
print(str3)
我想提取每個組中<dd>
和</dd>
之間的所有內容,並使其成為字符串,然后將其添加到一行數據中。 有沒有可以運行的循環或可以使用的代碼,可以提取兩組中<dd>
和</dd>
之間的所有字符串?
您可以使用BeautifuSoup
查找所有<dd>
,然后獲取每個<dd>
作為列表。 然后,您可以將list的元素連接到一個字符串。 一些元素可以是需要轉換為字符串的對象。 您也可以使用strip()
刪除一些空格,但可能仍需要如此清潔。
text = '''Predecessors · <i class="fa fa-sign-in"></i>
/ Successors · <i class="fa fa-sign-out"></i>
</dt>
<dd>
1931 ·
<a class="active"
href="../../../aus/party/1253">
ALP </a>
·
<i class="fa fa-sign-in"> </i>
splinter
</dd>
<dd>
1931 ·
<a class="active"
href="../../../aus/party/1905">
NAT </a>
·
<i class="fa fa-sign-in"> </i>
successor
</dd>'''
from bs4 import BeautifulSoup as BS
soup = BS(text, 'html.parser')
for item in soup.find_all('dd'):
print(''.join(str(x).strip() for x in item.contents))
結果
1931 ·<a class="active" href="../../../aus/party/1253">
ALP </a>·<i class="fa fa-sign-in"> </i>splinter
1931 ·<a class="active" href="../../../aus/party/1905">
NAT </a>·<i class="fa fa-sign-in"> </i>successor
編輯:
from bs4 import BeautifulSoup as BS
soup = BS(text, 'html.parser')
all_rows = []
for item in soup.find_all('dd'):
#print(''.join(str(x).strip() for x in item.contents))
row = (item.contents[0].strip()[:-2], item.find('a').get_text().strip(), item.contents[4].strip(), item.find('a').get('href')[-4:])
row = ', '.join(row)
print(row)
all_rows.append(row)
text = ' | '.join(all_rows)
print(text)
結果:
1931, ALP, splinter, 1253
1931, NAT, successor, 1905
1931, ALP, splinter, 1253 | 1931, NAT, successor, 1905
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.