3

現在、プログラミングの問題を解決しようとしています。HTML ページで繰り返し構造を見つけようとしており、それらの要素の値を取得しようとしています。

たとえば、次のような繰り返し要素を含む HTML ページがあります。

<html>
<body>
  <ul>
     <li>green</li>
     <li>orange</li>
     <li>red</li>
  </ul>
</body>

このコードでは、繰り返しブロック (「li」項目) があることを検出し、それらの値を抽出したいと考えています。別の HTML の例:

<table>
   <tr>
      <td>1</td>
      <td>John</td>
   </tr>
   <tr>
      <td>2</td>
      <td>Simon</td>
   </tr>
</table>

この例では、構造が繰り返されていることを検出し、そこから値 [1,John] と [2,Simon] を取得したいと考えています。

私の質問は次のとおりです。このようなことを行うための単純なアルゴリズムはありますか、そうでない場合、このようなことにどのようにアプローチしますか?

4

1 に答える 1

2

重複した tr-td-td タグ シーケンスと重複した td タグを検出するかなり初歩的な python プログラムを以下に示します。2 番目の html の例を file に保存するxml.htmlと、プログラムは次のように出力します。

tr.td.td 

td 1
td John
tr.td.td 

td 2
td Simon
Counter({'td': 4, 'tr.td.td': 2, 'table.tr.tr': 1})

#!/usr/bin/env python
from xml.etree import cElementTree as ET
from collections import Counter

def sot(r, depth):
    tags = r.tag
    for e in r.getchildren():
        tags += '.' + sot(e, depth+1)
    r.tail = tags
    cc[r.tail] += 1
    return r.tag

def tot(r, depth):
    if cc[r.tail] > 1:
        print r.tail, r.text
    for e in r.getchildren():
        tot(e, depth+1)

cc = Counter()
p=ET.parse ("xml.html")
sot(p.getroot(), 0)
tot(p.getroot(), 0)
print cc
于 2012-11-03T19:52:25.887 に答える