使用 BeautifulSoup 遍歷 XML 並拉下一個兄弟

Question

我已將 PDF 轉換為 XML 以便於解析。 我的 XML 示例如下：

<LTTextLineHorizontal bbox="[58.501, 729.764, 78.501, 737.764]" height="8.0" width="20.0" word_margin="0.1" x0="58.501" x1="78.501" y0="729.764" y1="737.764"><LTTextBoxHorizontal bbox="[58.501, 729.764, 78.501, 737.764]" height="8.0" index="13" width="20.0" x0="58.501" x1="78.501" y0="729.764" y1="737.764">Date: </LTTextBoxHorizontal></LTTextLineHorizontal>
<LTTextLineHorizontal bbox="[107.249, 730.004, 147.281, 738.004]" height="8.0" width="40.032" word_margin="0.1" x0="107.249" x1="147.281" y0="730.004" y1="738.004"><LTTextBoxHorizontal bbox="[107.249, 730.004, 147.281, 738.004]" height="8.0" index="14" width="40.032" x0="107.249" x1="147.281" y0="730.004" y1="738.004">02/26/2020 </LTTextBoxHorizontal></LTTextLineHorizontal>

“日期：”在一行上，下一個兄弟（我認為這就是它的名字）的值是“02/26/2020”。

我試過了：

from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml)
print(soup.find(text="Date:").findNext('LTTextLineHorizontal').contents[0])

我得到錯誤：

AttributeError: 'NoneType' object has no attribute 'findNext'

我的目標是遍歷 XML 並提取所需的變量（即日期），但將它們放入 dataframe 中。 但我什至還沒有走到那一步。

output 可以是字典或日期字符串：02/26/2020

Answer 1

使用正則表達式re 。

import re
from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml,'lxml')
print(soup.find('lttextboxhorizontal',text=re.compile("Date:")).find_next('lttextboxhorizontal').text)

或者

import re
from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml,'lxml')
print(soup.find(text=re.compile("Date:")).find_next('lttextboxhorizontal').text)

您可以在沒有正則表達式的情況下執行此操作，也可以放置一個空格。

from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml,'lxml')
print(soup.find(text="Date: ").find_next('lttextboxhorizontal').text)