Python :从一些讨厌的html中提取数据

Question

我的问题与HTMLParser的使用有关，但涉及到一些nast代码。

我有一个包含多个html/css条目的文件/网页，在某些地方，我得到了经常重复的html代码部分，我需要解析这些部分来提取某些特定的数据。

例如，：

1)

待提取的数字66

要从此注释中提取的编号123456

<h3 class="s KB8NC">66.&hsbc; 
<!--
        <A name="simp123456" href="text.php?p=1&i_simp_z_boc_nb_sec=123456&i_simp_s_vitrazka=1">
-->
ristill advocka, sygint: SURVE/123-021/11-2/XX</h3>

另一个经常出现的条目成对出现：

2)

第一个被忽略的条目由于空的“数据”而忽略了

编号：123456以提取

<p class="monozzio"></p>
<p class="monozzio"><a href="text.php?p=1&pup;i_simp_z_boc_nb_sec=123456&pup;i_simp_s_vitrazka=1">monozzio...</a></p> 

到目前为止，这是我的第一节课，但它开始超过我的技能，任何帮助，感谢。

from HTMLParser import HTMLParser
class MyParser(HTMLParser):  
   def __init__(self):
HTMLParser.__init__(self)
self.recording = 0
self.data = []
   def handle_starttag(self, tag, attributes):
     if tag != 'p':
       return
     if self.recording:
       self.recording += 1
       return
     for name, value in attributes:
     if name == 'class' and value == 'monozzio':
        break
     else:
     return
     self.recording = 1

def handle_endtag(self, tag):
  if tag == 'p' and self.recording:
    self.recording -= 1

def handle_data(self, data):
  if self.recording:
    ##############################
    #here parse data to get 123456
    ##############################
  self.data.append(data)

p = MyParser()
f = open('file.html', 'r')
htm = f.read()
p.feed(htm)
print '\n'.join(p.data)
p.close()

Answer 1

这并不能直接解决您的问题，但是BeautifulSoup是一个库，它使解析HTML变得更容易。

然后你就可以做这样的事情：

import re
from bs4 import BeautifulSoup

html = BeautifulSoup(your_html_content)
for link in html.find_all('p.monozzio a'):  # use css selectors
    href = link.get('href')
    reg = re.compile('i_simp_z_boc_nb_sec=([0-9]+)')
    nbrs = reg.findall(href)  # regex to extract values

请注意，我没有测试代码，这只是一个一般的想法。