在多个 HTML 文档中提取信息

Question

我有一个问题，我有大约 700 个 html 文档，每个文档都包含一个包含在跨度中的字母，所有这些都在给定的同一类中。

有没有办法取出所有字母并将它们连接在一起？也许使用 BeautifulSoup 或其他方法？

Answer 1

当然有。试试这样的：

import os
from BeautifulSoup import BeautifulSoup

letter_list = []
for file in os.listdir('path/to/dir'):
    with open('path/to/file', 'r') as html_file:
        html = ' '.join(str(x) for x in list(html_file)) # Combines each row in file into a single string
        soup = BeautifulSoup(html)

        letter = soup('span',{'class':'someclass'})[0].contents[0]
        letter_list.append(letter)

my_string = ''.join(str(x) for x in letter_list)

这将遍历目录，打开每个 html 文件并解析字符串。提取的字母会附加到一个列表中，并在解析完所有文件后加入。