Python：从一些讨厌的 html 中提取数据答案

【问题标题】：Python : extract data from some nasty htmlPython：从一些讨厌的 html 中提取数据
【发布时间】：2012-10-31 11:01:41
【问题描述】：

我的问题与HTMLParser 的使用有关，但与一些 nast html 代码有关。
我有一个包含多个 html/css 条目的文件/网页，并且在某些行中，我得到了我需要解析以提取某些特定数据的 html 代码的这个经常重复的部分。

例如：

1)
66号待提取
编号 123456 将从此评论中提取

<h3 class="s KB8NC">66.&hsbc; 
<!--
        <A name="simp123456" href="text.php?p=1&i_simp_z_boc_nb_sec=123456&i_simp_s_vitrazka=1">
-->
ristill advocka, sygint: SURVE/123-021/11-2/XX</h3>

还有另一个成对出现的常见条目：

2)
由于“数据”为空，第一个条目被忽略
要提取的号码 123456

<p class="monozzio"></p>
<p class="monozzio"><a href="text.php?p=1&pup;i_simp_z_boc_nb_sec=123456&pup;i_simp_s_vitrazka=1">monozzio...</a></p>

到目前为止，这是我的第一堂课，但它开始超出我的技能，感谢任何帮助。

from HTMLParser import HTMLParser
class MyParser(HTMLParser):  
   def __init__(self):
HTMLParser.__init__(self)
self.recording = 0
self.data = []
   def handle_starttag(self, tag, attributes):
     if tag != 'p':
       return
     if self.recording:
       self.recording += 1
       return
     for name, value in attributes:
     if name == 'class' and value == 'monozzio':
        break
     else:
     return
     self.recording = 1

def handle_endtag(self, tag):
  if tag == 'p' and self.recording:
    self.recording -= 1

def handle_data(self, data):
  if self.recording:
    ##############################
    #here parse data to get 123456
    ##############################
  self.data.append(data)

p = MyParser()
f = open('file.html', 'r')
htm = f.read()
p.feed(htm)
print '\n'.join(p.data)
p.close()

【问题讨论】：

你想从你的 html 中提取所有的整数吗？你可以参考这个stackoverflow.com/questions/4289331/extract-numbers-of-a-string
我想从我的例子中提取那些整数——对于整个 html，我的意思是这个标签的结构是重复的，数字在改变，但它们仍然在标签中的同一个地方。

标签： python html parsing text-extraction

【解决方案1】：

这不是直接解决您的问题的方法，但BeautifulSoup 是一个可以更轻松地解析 HTML 的库。

然后你可以这样做：

import re
from bs4 import BeautifulSoup

html = BeautifulSoup(your_html_content)
for link in html.find_all('p.monozzio a'):  # use css selectors
    href = link.get('href')
    reg = re.compile('i_simp_z_boc_nb_sec=([0-9]+)')
    nbrs = reg.findall(href)  # regex to extract values

请注意，我没有测试代码，这只是一个大概的想法。

【讨论】：