解析 Beautifulsoup 中的未命名元素

Question

对于某个类名的跨度，我需要解析未命名的 br 元素之间的某些文本。在本例中，我需要 0.36，在本例中，它位于命名属性“DS”之后。

这是我尝试过的。

from bs4 import BeautifulSoup  
html="""
<pre5 style="">                                                    
    <br><br>
    <span class="field-name">DS :</span>                               
    0.36 [null]<br><br> <br> <span> <b>FC</b> </span><span> : 0.0 </span><br>  <br> <span> <b>FDC</b> </span><span> : 0.36 </span><br>  <br> <span> <b>LDD</b> </span><span> : 4838400000 </span><br>  <br> <span> <b>IFS</b> </span><span> : 0.5333333 </span><br> 
  </pre5>
"""
soup = BeautifulSoup(html,'lxml')
divTag = soup.find_all("pre5", {"style":""})

for tag in divTag:
    tdTags = tag.find_all("span", {"class":"field-name"})
    for tag in tdTags:
        print tag.text 
        # print DS :, but I want 0.36


#Alternatively,
soup = BeautifulSoup(html,'lxml')
print str(soup.span.next_sibling.strip()).replace('[null]','')
#prints 0.36 , but I would like to print by making sure that this element actually comes along with DS: and not just by the "immediate next sibilng" - is there a way to respect the named attribute DS and fetch the value for it ? 

也是通过字符串解析/拆分/替换，会比较慢，可以直接用树形结构吗？

编辑，在这种情况下，DS 的值应为 0.007。不能保证 DS 将是 span 类中的第一个元素。

html="""
<pre5 style="">                                                    
    <br><br>
    <span class="field-name">FC :</span>                               
    0.36 [null]<br><br> <br> <span> <b>DS:</b> </span><span> : 0.007 </span><br>  <br> <span> <b>FDC</b> </span><span> : 0.36 </span><br>  <br> <span> <b>LDD</b> </span><span> : 4838400000 </span><br>  <br> <span> <b>IFS</b> </span><span> : 0.5333333 </span><br> 
  </pre5>
"""

Answer 1

由于文本DS可以在<span>或<b>标签内，数据也可以在<span>标签内，您可以像这样搜索标签：

html = """
<pre5 style="">
    <br><br>
    <span class="field-name">DS :</span>
    0.36 [null]<br><br> <br> <span> <b>FC</b> </span><span> : 0.0 </span><br>  <br> <span> <b>FDC</b> </span><span> : 0.36 </span><br>  <br> <span> <b>LDD</b> </span><span> : 4838400000 </span><br>  <br> <span> <b>IFS</b> </span><span> : 0.5333333 </span><br>
  </pre5>
<pre5 style="">
    <br><br>
    <span class="field-name">FC :</span>
    0.36 [null]<br><br> <br> <span> <b>DS:</b> </span><span> : 0.007 </span><br>  <br> <span> <b>FDC</b> </span><span> : 0.36 </span><br>  <br> <span> <b>LDD</b> </span><span> : 4838400000 </span><br>  <br> <span> <b>IFS</b> </span><span> : 0.5333333 </span><br>
  </pre5>
"""

soup = BeautifulSoup(html, 'lxml')
divTag = soup.find_all("pre5", {"style": ""})

import re

for tag in divTag:
    tdTags = tag.find_all(["span", "b"], text=re.compile(r'DS\s*:'))
    for tag in tdTags:
        if tag.nextSibling.strip():
            print tag.nextSibling.replace('[null]', '').strip()
        else:
            print tag.findNext("span").text.replace(':', '').strip()

这会给你输出：

0.36
0.007

Answer 2

如果我理解正确，您说要提取的文本就在<span> 标记之后，因此您可以使用next_element 两次。第一个用于标记内的文本，第二个用于标记后面的文本。它似乎在这里工作，像这样：

from bs4 import BeautifulSoup  
html="""
<pre5 style="">                                                    
    <br><br>
    <span class="field-name">DS :</span>                               
    0.36 [null]<br><br> <br> <span> <b>FC</b> </span><span> : 0.0 </span><br>  <br> <span> <b>FDC</b> </span><span> : 0.36 </span><br>  <br> <span> <b>LDD</b> </span><span> : 4838400000 </span><br>  <br> <span> <b>IFS</b> </span><span> : 0.5333333 </span><br> 
  </pre5>
"""
soup = BeautifulSoup(html,'lxml')
divTag = soup.find_all("pre5", {"style":""})

for tag in divTag:
    tdTags = tag.find_all("span", {"class":"field-name"})
    for tag in tdTags:
        print tag.next_element.next_element.replace('[null]', '')

它产生（之后可以删除一些空白）：

0.36