使用 Beautiful Soup 帮助从 HTML 检索产品代码

Question

一个网页有一个我需要检索的产品代码，它位于以下 HTML 部分中：

<table...>
<tr>
 <td>
 <font size="2">Product Code#</font>
 <br>
 <font size="1">2342343</font>
 </td>

</tr>
</table>

所以我想最好的方法是首先引用文本值“产品代码#”的 html 元素，然后引用TD 中的第二个字体标签。

有想法吗？

Answer 1

我的策略是：

• 查找与字符串“Product Code#”匹配的文本节点
• 对于每个此类节点，获取父级 元素并查找父级的下一个兄弟 code> element
• 将同级元素的内容插入到列表中

代码：

from BeautifulSoup import BeautifulSoup


html = open("products.html").read()
soup = BeautifulSoup(html)

product_codes = [tag.parent.findNextSiblings('font')[0].contents[0]
                 for tag in 
                 soup.findAll(text='Product Code#')]

Answer 2

假设 soup 是您的 BeautifulSoup 实例：

int(''.join(soup("font", size="1")[0](text=True)))

或者，如果您需要获取多个产品代码：

[int(''.join(font(text=True))) for font in soup("font", size="1")]

Answer 3

您可以使用此正则表达式（或类似的东西）：

\n\ Product\ Code\#\n\
\ n\ (?.+?)\n\

您可能可以删除一些转义符，具体取决于你的正则表达式引擎...我很谨慎。

Answer 4

不要使用正则表达式来解析 HTML。我将使用以下 XPATH 来完成此任务：

//TABLE/TR/TD/FONT[@size='1']

或者，如果字体大小属性不能保证存在且等于 1：

//FONT[text()='Product Code#']/parent::*/FONT[2]