通过美丽的汤python找到所有字体大小大于最常见的跨度样式

Question

我了解如何从这个问题中获取特定div 或span 样式的文本：How to find the most common span styles

现在的困难是试图找到所有字体大小大于最常见的跨度样式？

我怀疑我应该使用正则表达式，但首先我需要提取特定的最常见的字体大小？

另外，当条件是字符串时，如何确定“大于”？

Answer 1

这可能会对你有所帮助：-

    from bs4 import BeautifulSoup
    import re

    usedFontSize = [] #list of all font number used

    #Find all the span contains style 
    spans = soup.find_all('span',style=True)
    for span in spans:
        #print span['style']
        styleTag = span['style']
        fontSize = re.findall("font-size:(\d+)px",styleTag)
        usedFontSize.append(int(fontSize[0]))

    #Find most commanly used font size
    from collections import Counter
    count = Counter(usedFontSize)
    #Print list of all the font size with it's accurence.
    print count.most_common()

Answer 2

要使用 BeautifulSoup 查找所有字体大小大于最常见的 span 样式的 span 样式，您需要解析每个返回的 CSS 样式。

解析 CSS 最好使用 cssutils 之类的库。这将让您直接访问fontSize 属性。

这将有一个值，例如 12px，它不会自然地正确排序。为了解决这个问题，您可以使用诸如 natsort 之类的库。

所以，首先将每个样式解析为 css 对象。同时保留每个 span 的所有汤的列表，以及样式的解析 CSS。

现在使用fontSize 属性作为使用 natsort 进行排序的键。这将根据字体大小为您提供正确排序的样式列表，最大优先（使用reverse=True）。然后，takewhile() 用于创建列表中所有条目的列表，直到大小与最常见的条目匹配，从而导致条目列表大于最常见的条目。

from bs4 import BeautifulSoup
from collections import Counter
from itertools import takewhile    
import cssutils
import natsort

html = """
    <span style="font-family: ArialMT; font-size:12px">1</span>
    <span style="font-family: ArialMT; font-size:14px">2</span>
    <span style="font-family: ArialMT; font-size:1px">3</span>
    <span style="font-family: Arial; font-size:12px">4</span>
    <span style="font-family: ArialMT; font-size:18px">5</span>
    <span style="font-family: ArialMT; font-size:15px">6</span>
    <span style="font-family: ArialMT; font-size:12px">7</span>
    """

soup = BeautifulSoup(html, "html.parser")    
style_counts = Counter()
parsed_css_style = []       # Holds list of tuples (css_style, span)

for span in soup.find_all('span', style=True):
    style_counts[span['style']] += 1
    parsed_css_style.append((cssutils.parseStyle(span['style']), span))

most_common_style = style_counts.most_common(1)[0][0]
most_common_css_style = cssutils.parseStyle(most_common_style)
css_styles = natsort.natsorted(parsed_css_style, key=lambda x: x[0].fontSize, reverse=True)

print "Styles larger than most common font size of {} are:".format(most_common_css_style.fontSize)

for css_style, span in takewhile(lambda x: x[0].fontSize != most_common_css_style.fontSize, css_styles):
    print "  Font size: {:5}  Text: {}".format(css_style.fontSize, span.text)

在显示的示例中，最常用的字体大小是12px，因此还有3个大于此的其他条目如下：

Styles larger than most common font size of 12px are:
  Font size: 18px   Text: 5
  Font size: 15px   Text: 6
  Font size: 14px   Text: 2

要安装，您可能需要：

pip install natsort
pip install cssutils    

请注意，这确实假设您网站上使用的字体大小是一致的，它无法比较不同的字体指标，只能比较数值。