如何跨行从html抓取文本

Question

我有一个html文件如下。我想要Python做的是，当它看到关键字“存款到现金账户”时，它将抓取“存款到现金账户”的class=“s14”和与其最近的$数字（12.32）的class=“s14”。“资产转入”与（5.34）相同。你知道吗

<tr style="height:21pt">
<td style="width:366pt">
<p class="s14" style="padding-top: 7pt;padding-left: 19pt;text-indent: 0pt;text-align: left;">Deposits to Cash account</p>
</td>
<td style="width:150pt">
<p class="s14" style="padding-top: 7pt;padding-right: 2pt;text-indent: 0pt;text-align: right;">$12.32</p>
</td>
</tr>
<tr style="height:21pt">
<td style="width:366pt">
<p class="s14" style="padding-top: 2pt;padding-left: 19pt;text-indent: 0pt;text-align: left;">Asset transfers in</p>
</td>
<td style="width:150pt">
<p class="s14" style="padding-top: 2pt;padding-right: 2pt;text-indent: 0pt;text-align: right;">$5.34</p>
</td>
</tr>

我试着用FOR循环逐行遍历html，我用Regex得到一行，比如“存款到现金账户”，但不知道如何跨行抓取12.32。你知道吗

for line in htmlfile:

    if ('Deposits to Cash account' in line):
        lineClass = re.findall(r"<p (.*) style",line)   #grab "class="s14"
        print("inside for loop: ",lineClass)            
    if (lineClass[0] in line) and ('$' in line)
        number = re.findall(r"\$(.*)",line)

print("outside for loop: ",lineClass)

预期结果应为字典：

["Deposits to Cash account": 12.32, 
"Asset transfers":5.34]

错误消息是NameError: name 'lineClass' is not defined

此外，还将打印“inside for loop:”Class=s14“，并打印“outside for loop:”，其中丢失了“Class=s14”。感觉lineClass变量在for循环完成后被清除了。为什么

Answer 1

如果您不能使用第三方模块，例如beautifulsoup，那么可以使用Python的内置html.parser（doc）生成“穷人”HTML解析器：

data = '''<tr style="height:21pt">
<td style="width:366pt">
<p class="s14" style="padding-top: 7pt;padding-left: 19pt;text-indent: 0pt;text-align: left;">Deposits to Cash account</p>
</td>
<td style="width:150pt">
<p class="s14" style="padding-top: 7pt;padding-right: 2pt;text-indent: 0pt;text-align: right;">$12.32</p>
</td>
</tr>
<tr style="height:21pt">
<td style="width:366pt">
<p class="s14" style="padding-top: 2pt;padding-left: 19pt;text-indent: 0pt;text-align: left;">Asset transfers in</p>
</td>
<td style="width:150pt">
<p class="s14" style="padding-top: 2pt;padding-right: 2pt;text-indent: 0pt;text-align: right;">$5.34</p>
</td>
</tr>'''

from html.parser import HTMLParser

class MyHTMLParser(HTMLParser):
    grab_data_fn = lambda data: None
    parsed_data = []

    def handle_starttag(self, tag, attrs):
        attrs = dict(attrs)
        if tag=='p' and 'class' in attrs and 's14' in attrs['class']:
            MyHTMLParser.grab_data_fn = lambda data: MyHTMLParser.parsed_data.append(data.strip())

    def handle_endtag(self, tag):
        MyHTMLParser.grab_data_fn = lambda data: None

    def handle_data(self, data):
        MyHTMLParser.grab_data_fn(data)


parser = MyHTMLParser()
parser.feed(data)
parsed_data = parser.parsed_data

deposits = parsed_data[parsed_data.index('Deposits to Cash account') + 1]
transfers = parsed_data[parsed_data.index('Asset transfers in') + 1]

print('Deposits =',deposits)
print('Transfers =',transfers)

打印：

Deposits = $12.32
Transfers = $5.34

然而，最好使用成熟的库，如beautifulsoup、selenium、scrapy或lxml。有了它们，您可以使用XPath、CSS选择器等丰富的api轻松地获取数据。你知道吗