Python：從一些討厭的HTML提取數據

我的問題與HTMLParser的使用有關，但是有點nast html代碼。
我有一個文件/網頁包含多個html/css條目，並在我得到這個經常重複的部分html代碼，我需要解析以提取某些特定數據。

例如：Python：從一些討厭的HTML提取數據

1）
號66將被提取
號123456要被提取ftom此評論

<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>

而另一頻繁的條目，其中在顯示配對：

2）
第一個條目是忽略因爲空 '數據'
數提取

<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>

這是我的第一類，但迄今爲止它開始超過我的技能，任何幫助表示讚賞。

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()

來源

2012-10-31 modzello86

你想從你的HTML中提取所有的整數？你可以參考這個http://stackoverflow.com/questions/4289331/extract-numbers-of-a-string –

我想從我的例子中只提取那些整數 - 對於整個HTML，我的意思是這個標記的結構是重複的numers在變化，但它們仍然處於標籤中相同的位置。 – modzello86

這是不是直接到你的問題的解決方案，但BeautifulSoup是，可以更容易地解析HTML庫。

然後，你可以這樣做：

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

請注意，我沒有測試的代碼，它只是一個大致的瞭解。

來源

2012-10-31 12:20:59

Python：從一些討厭的HTML提取數據

回答

相關問題