Beautifulsoupタグが悪いタグを解析する

Question

正規表現はbeautifulsoupを扱う貧しい人のアプローチですが、htmlによく定義されているタグが解析されない場合は、私の唯一の選択肢かどうか疑問に思っていましたか？

私は最終的にはちょうどHTMLからいくつかの単純なデータを取得しようとしている...しかし、それだけでこのように見える一連のテーブルにあります：

<table width="733" border="0" cellpadding="2"> 
<tr> 
<td align="right" valign="top" nowrap="nowrap" bgcolor="#29ff36"> 
<font size="-1" face="Verdana, Arial, Helvetica, sans-serif"> 
<strong> 
PART CODE: 
</strong> 
</font> 
</td> 
<td align="left" valign="top" nowrap="nowrap"> 
<font size="-1" color="#7b1010" face="Verdana, Arial, Helvetica, sans-serif"> 
PART# (//THIS IS WHAT I WANT) 
</font> 
</td> 
<td> 
</td> 

はなく、これをアプローチする良い方法はあります正規表現？

助けを借りてくれてありがとう。このサイトでは、信じられないほどの

OKです：

、約15これらのテーブルのありますそれぞれが最初のセルに座っている（例えばオンハンドコスト、ベンダー、など）のラベルを持ち、その後、実際にIデータ常に次のセルに欲しいです。それにラベルを持つ正しいセルを見つけることが十分に機能

label = 'Price:' 
rows = soup.findAll('tr') 
for tr in rows: 
    cols = tr.findAll('td') 
    for td in cols: 
    if td.find(text=True) == label: 
     print td.find(text=True) 

...私は基本的にはちょうど今、私は推測する上で次のセルを見つける必要があります。 beautifulsoupのドキュメントごとの "次の"コマンドは実際にはこれを達成していません。 考えていますか？

Answer 1

あなたが提供した例は必ずしも明らかではありませんが、ここではあなたの例のHTMLソースから部品番号を取得するスニペットがあります：

columns = soup.findAll('td') 
for col in columns: 
    try: 
     part = col.find("font", {"color": "#7b1010"}).contents[0] 
     print(part) 
    except: 
     pass 

Answer 2

lxmlの人々は不正な形式のHTMLでうまく動作すると主張しています。

Answer 3

beautifulsoupの代わりにlxmlとすることもできます。 cssselect()メソッドのため、beautifulsoupの代わりにlxml.htmlを使用するように切り替えました。 cssファイルやjQueryで使用するのと同じようにCSSルールが必要です。

from lxml.html import fromstring 

raw_html_data = """ ... your html data here ... """ 

doc = fromstring(raw_html_data) 
part_number = doc.cssselect('td[align=left] font')[0].text 
# part_number.strip() # optionally strip leading and trailing whitespace 

lxmlをインストールするにはpipを使用できます。

$ pip install lxml 

シルバープラッターソリューション：

# ... starting with doc from above 
info = [] 
target_trs = doc.cssselect('table tr') # tweak based on actual html 
for tr in trs: 
    target_cells = tr.cssselect('td font') 
    label = target_cells[0].text.strip() 
    data = target_cells[1].text.strip() 
    info.append((label,data)) 
# now you have an array of (label,data) pairs in info