0

私の質問はHTMLParserの使用に関連していますが、ちょっとした html コードに関するものです。
複数のhtml/cssエントリを含むファイル/Webページがあり、特定のデータを抽出するために解析する必要があるhtmlコードのこの頻繁に繰り返される部分を取得する行の間のどこかにあります。

例えば：

1)
抽出する番号 66
このコメントから抽出する番号 123456

<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>


そして、ペアで表示される別の頻繁なエントリ:

2)抽出する空の「データ」 番号123456のために無視さ
れる最初のエントリ

<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>



これまでのところ私の最初のクラスですが、私のスキルを超え始めています。

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()
4

1 に答える 1

4

これは問題の直接的な解決策ではありませんが、BeautifulSoupは HTML の解析を容易にするライブラリです。

次に、次のようなことができます。

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

コードをテストしていないことに注意してください。これは単なる一般的な考えです。

于 2012-10-31T12:20:59.617 に答える