从标签中提取唯一的类名

Question

我正在（对我而言）将相对大量的数据抓取到一个 beautifulsoup 对象中。典型的抓取结果是 600 页或更多的 html 标记，其中包含许多嵌套表。我试图更好地理解结构，以便有效地将数据从表中提取出来。

这些汤对象中最多有 500 个表，其中包含许多“重复”表类。下面是两个例子。

<table class="TableClass1">
<table class="TableClass2">

在我的 500 个表格的文档中，每个表格可能有 250 个，因此在浏览 600 页 html 时很难看出只有两种独特的类型。

我如何才能从汤对象中提取仅用于表标签的唯一类名列表？结果将显示如下列表：

<table class="TableClass1">
<table class="TableClass2">

Answer 1

如果我理解正确，您只想为 <table> 标签显示唯一的类名。您可以为此使用set()（或collections.Counter）。

例如：

txt = '''
<table class="TableClass1"></table>
<table class="TableClass2"></table>
<table class="TableClass2"></table>
<table class="TableClass2"></table>
'''

from collections import Counter
from bs4 import BeautifulSoup

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

print('Unique class names:')
uniq = set(' '.join(t['class']) for t in soup.select('table[class]'))
print( uniq )

print()

print('Count of class names:')
c = Counter(' '.join(t['class']) for t in soup.select('table[class]'))
print( c )

打印：

Unique class names:
{'TableClass1', 'TableClass2'}

Count of class names:
Counter({'TableClass2': 3, 'TableClass1': 1})