美汤精确标签数据

Question

我使用BeautifulSoup从超文本标记语言页面中提取一些数据。我所做的是：

list=soup.find_all('td', {'align': 'left', 'valign': None})
print list[0]

它给了我

<td align="left">\n<h3>Name XYZ</h3>\n CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX, <br/>KANDIVALI EAST,<br/>Mumbai  MAHARASHTRA-400101</td>

但是我想要的输出如下：

Name: Name XYZ, Add: CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX, KANDIVALI EAST, Mumbai  MAHARASHTRA-400101

我该怎么办？

Answer 1

find_all将返回一个标记列表，因此当您访问列表list[0]中的第一个项目时，它将返回第一个标记，就像您输出的那样

如果您想为标签提取文本，您可以使用tag.text

list[0].text

Answer 2

实际上，我认为有两种方法可以做到这一点，这取决于您正在寻找的是什么。

我不确定您想要的输出前面的"name“和"add”字符串是否是拼写错误，所以我看到了两种可能的方法：

1. 如果您只想提取从find_all方法获得的list_tags的每个标记下的所有文本，而不需要进行任何操作，如分隔每个单词，则转到get_text()方法。

有了它，你可以选择一个简单的列表理解，比如：

>>> simple_uni_text = [tag.get_text() for tag in list_tags]
>>> simple_uni_text
[u'\nName XYZ\n CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX, KANDIVALI EAST,Mumbai  MAHARASHTRA-400101', u'\nName ABC\n DUT WITHOUT LAYIN, 45 FOOT AODR, RUKTHA  SIMPLE, BOMBAY WEST,BOMBAY RASHTRAMAHA-400101']
>>> len(simple_uni_text)
>>> 2 # I pretended the list_tags to have two tags, so it generated a list of length two!

1. stripped_strings生成器。

这可能是一种更棘手的方法。但你可以提高精确度。

>>> uni_stripped_words = []
>>> for tag in list_tags:
        for string in tag.stripped_strings:
            uni_stripped_words.append(string)
>>> uni_stripped_words
[u'Name XYZ', u'CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX,', u'KANDIVALI EAST,', u'Mumbai  MAHARASHTRA-400101', u'Name ABC', u'DUT WITHOUT LAYIN, 45 FOOT AODR, RUKTHA  SIMPLE,', u'BOMBAY WEST,', u'BOMBAY RASHTRAMAHA-400101']
>>> len(uni_stripped_words)
8 

在这里，您将在list_tags的每个teag下找到的每个字符串与另一个字符串分开。因此，如果您确实想在文本前面添加以下"Name“和" add”，那么它可以更好地符合您的需求。

>>> for word in uni_stripped_words:
        print word


    Name XYZ
    CTS SANSKRUTI LAYOUT, 90 FEET RAOD, THAKUR  COMPLEX,
    KANDIVALI EAST,
    Mumbai  MAHARASHTRA-400101
    Name ABC
    DUT WITHOUT LAYIN, 45 FOOT AODR, RUKTHA  SIMPLE,
    BOMBAY WEST,
    BOMBAY RASHTRAMAHA-400101 # Sorry for the weird text example haha

然而，我发现第二种方法不太容易控制。例如，有时会有意想不到的字符。就个人而言，我更喜欢在将输出写到文件时进行连接！

无论如何，在这两种情况下，不要忘记结果列表将包含unicode类型的提取文本。

干杯