嗨,我想为我编写一个小助手 Python 工具,它应该处理以下内容:
<tr>
<td><p>L1</p></td>
<td><p>(4.000x2.300x500; 4,6m³)</p></td>
<td><p> </p></td>
<td><p> 1.221 kg</p></td>
</tr>
<tr>
<td><p>L2</p></td>
<td><p>(4.250x2.300x500; 4,9m³)</p></td>
<td><p> </p></td>
<td><p> 1.279 kg</p></td>
</tr>
<tr>
<td><p>L3</p></td>
<td><p>(4.500x2.300x500; 5,2m³)</p></td>
<td><p> </p></td>
<td><p> 1.321 kg</p></td>
</tr>
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> </p></td>
<td><p> 1.364 kg</p></td>
</tr>
它应该将每个表行的
替换为每行第二个表数据字段中的 ; 和 ( 之间的卷。
我开始像这样用 Python 编写代码,我可以使用正则表达式语句抓取卷,但我的逻辑结束于如何将值放在正确的位置。 任何想法 ? 这是我的代码
import BeautifulSoup
import re
with open('3mmcontainer.html') as f:
content = f.read()
f.close()
#print content
contentsoup = BeautifulSoup.BeautifulSoup(content)
for tablerow in contentsoup.findAll('tr'):
inhalt = str(tablerow.contents[3])
print inhalt
match = re.findall(';(.*?))', inhalt)
print match
# for x in match:
# volumen = x.lstrip()
# print volumen
#f = open('3mmcontainer.html', 'w')
#newdata = f.replace(" ", volumen)
#f.write(newdata)
#f.close()
#m = re.search(';(.*?))', inhalt)
# print m
# volumen = re.compile(r';(.*?))')
# volumen.match(tablerow.contents[3])
注意:你不需要调用close()
,因为with
语句会为你做这件事。
您可以使用简单的函数来转换每一行(<tr/>
(:
import re
def parse_inhalt(content):
td_list = re.findall(r"<td>(?:(?!</td>).)+</td>", content)
vol_content = td_list[1]
vol = re.findall(r";([^)]+)", vol_content)[0]
return content.replace(" ", vol)
代码很简单:
- 提取
td_list
中的每个细胞 - 获取包含卷的第二个单元格的内容
- 查找包含在";"和"("之间的卷(不包括这些字符( 将
替换为卷
例如:
inhalt = u"""
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> </p></td>
<td><p> 1.364 kg</p></td>
</tr>"""
print(parse_inhalt(inhalt))
你会得到:
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> 5,5m³</p></td>
<td><p> 1.364 kg</p></td>
</tr>
您可以使用以下命令删除空格:
vol = re.findall(r";s*([^)]+)", vol_content)[0]
另一种方法。
首先,查找所有表格单元格以及其中的p
元素。您知道p
元素的特征是在其text
中存在m³,因此请注意它们,并且您知道必须立即更改p
元素。然后安排在遇到该区域时捕获该区域,记下p
元素的序号,然后在遇到下一个p
元素时,通过将area
分配给其string
属性来更改其text
。
如果你更喜欢正则表达式,那么你可以使用它来计算area
:
area = bs4.re.search(r';s+([^)]+)', p.text).groups(0)[0]
.
>>> import bs4
>>> soup = bs4.BeautifulSoup(open('temp.htm').read(), 'lxml')
>>> k = None
>>> for i, p in enumerate(soup.select('td > p')):
... if 'm³' in p.text:
... area = p.text[1+p.text.rfind(';'):-1].strip()
... k = i
... if k and i == k + 1:
... p.string = area
...
>>> soup
<html><body><tr>
<td><p>L1</p></td>
<td><p>(4.000x2.300x500; 4,6m³)</p></td>
<td><p>4,6m³</p></td>
<td><p> 1.221 kg</p></td>
</tr>
<tr>
<td><p>L2</p></td>
<td><p>(4.250x2.300x500; 4,9m³)</p></td>
<td><p>4,9m³</p></td>
<td><p> 1.279 kg</p></td>
</tr>
<tr>
<td><p>L3</p></td>
<td><p>(4.500x2.300x500; 5,2m³)</p></td>
<td><p>5,2m³</p></td>
<td><p> 1.321 kg</p></td>
</tr>
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p>5,5m³</p></td>
<td><p> 1.364 kg</p></td>
</tr></body></html>
>>>
如果暴力正则表达式可以接受
s='''
<tr>
<td><p>L1</p></td>
<td><p>(4.000x2.300x500; 4,6m³)</p></td>
<td><p> </p></td>
<td><p> 1.221 kg</p></td>
</tr>
<tr>
<td><p>L2</p></td>
<td><p>(4.250x2.300x500; 4,9m³)</p></td>
<td><p> </p></td>
<td><p> 1.279 kg</p></td>
</tr>
<tr>
<td><p>L3</p></td>
<td><p>(4.500x2.300x500; 5,2m³)</p></td>
<td><p> </p></td>
<td><p> 1.321 kg</p></td>
</tr>
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> </p></td>
<td><p> 1.364 kg</p></td>
</tr>
'''
import re
p=r'(([0-9x.]+)(; +)([0-9,m³]+)()</p></td>n <td><p>)( )'
# not sure which output is preferred
x = re.sub(p, 'g<1>g<2>g<3>g<4>g<3>', s)
print(x)
y = re.sub(p, 'g<1>g<4>g<3>', s)
print(y)