如何清理 html 代码以仅返回数字值？答案

【问题标题】：How can I clean html code to return only the number values?如何清理 html 代码以仅返回数字值？
【发布时间】：2020-10-19 02:42:27
【问题描述】：

<div class="bb-fl" style="background:Tomato;width:0.63px" title="10"></div>,
<div class="bb-fl" style="background:SkyBlue;width:0.19px" title="3"></div>,
<div class="bb-fl" style="background:Tomato;width:1.14px" title="18"></div>,
<div class="bb-fl" style="background:SkyBlue;width:0.19px" title="3"></div>,
<div class="bb-fl" style="background:Tomato;width:1.52px" title="24"></div>,

我目前有一个列表中的上述 html 代码。我希望使用 python，以便它可以输出以下内容，然后附加到列表中：

【问题讨论】：

你尝试过做什么？
@adrianp 我尝试使用正则表达式来清理文本。我尝试使用正则表达式删除文本
如果这些解决方案中的任何一个解决了您的问题，请接受它。

标签： python html regex web-scraping text

【解决方案1】：

这里有 3 种可能性。在前 2 个版本中，我们确保类在将其附加到列表之前签出 - 以防万一您不想包含其他 div。在第三种方法中，没有真正的好方法来做到这一点。与 adrianp 的拆分方法不同，我不在乎标题在哪里。

第三种方法可能有点混乱，所以请允许我解释一下。首先，我们在出现title=" 的所有地方进行拆分。我们转储该列表的第一个索引，因为它是第一个标题之前的所有内容。然后我们循环剩余部分并在第一个引号上拆分。现在您想要的数字在该拆分的第一个索引中。我们执行内联弹出来获取该值，因此我们可以将所有内容保存在列表推导中，而不是扩展整个循环并使用特定索引来争夺值。

要远程加载 html，请取消注释 html var 并将“yourURL”替换为适合您的。

我想我已经为你提供了所有可能的方法——当然是最明显的方法。

from bs4 import BeautifulSoup
import re, requests

html = '<div class="bb-fl" style="background:Tomato;width:0.63px" title="10"></div> \
<div class="bb-fl" style="background:SkyBlue;width:0.19px" title="3"></div> \
<div class="bb-fl" style="background:Tomato;width:1.14px" title="18"></div> \
<div class="bb-fl" style="background:SkyBlue;width:0.19px" title="3"></div> \
<div class="bb-fl" style="background:Tomato;width:1.52px" title="24"></div>'

#html = requests.get(yourURL).content

# possibility 1: BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')

# assumes that all bb-fl classed divs have a title and all divs have a class
# you may need to disassemble this generator and add some extra checks
bs_titleval = [div['title'] for div in soup.find_all('div') if 'bb-fl' in div['class']]
  
print(bs_titleval)


# possibility 2: Regular Expressions ~ not the best way to go
# this isn't going to work if the tag attribute signature changes

title_re = re.compile('<div class="bb-fl" style="[^"]*" title="([0-9]+)">', re.I)

re_titleval = [m.group(1) for m in title_re.finditer(html)]
    
print(re_titleval)


# possibility 3: String Splitting ~ 
# probably the best method if there is nothing extra to weed out

title_sp = html.split('title="')
title_sp.pop(0) # get rid of first index

# title_sp is now ['10"></div>...', '3"></div>...', '18"></div>...', etc...]
sp_titleval = [s.split('"').pop(0) for s in title_sp]

print(sp_titleval)

【讨论】：

【解决方案2】：

我会推荐使用 Beautiful Soup，它是一个非常流行的 html 解析模块，非常适合这种事情。如果每个元素都有title 的属性，那么你可以这样做：

from bs4 import BeautifulSoup
import requests
def randomFacts(url):
    r = requests.get(url)
    bs = BeautifulSoup(r.content, 'html.parser')
    title = bs.find_all('div')
    for each in title:
        print(each['title'])

Beautiful Soup 是我常用的 html 解析工具，希望对您有所帮助。

【讨论】：

【解决方案3】：

假设每个div都以字符串形式保存在变量div中，可以做如下操作：

number = div.split()[3].split('=')[1]

每个 div 的格式都应该相同。

【讨论】：

这行不通。使用该方法会返回"10"></div>等数据