我需要使用bs4在<Br>标记之间刮取数据

Question

嗨，实际上我是想在br标签之间刮东西。 例如，以以下案例为例：-

<blockquote>
               <font face="Garamond" size="5"><br>
                 <b>ICM Partners<br></b>
                 730 Fifth Avenue<br>
                 New York, NY 10019<br>
                 (212) 556-5600<br>
                 <br>
                 (<i>Gelfman Schneider</i>)<br>
                 <br>
                 <a href="http://www.icmtalent.com"target="_blank">http://www.icmtalent.com</a> 
                 <br> </font></blockquote>

ICM Partners
730 Fifth Avenue
New York, NY 10019
(212) 556-5600

(Gelfman Schneider)

http://www.icmtalent.com

实际上，我想把它分为公司名称、公司地址、公司联系电话和公司网站。

我知道我可以通过split函数.split(<br>)将其拆分，然后将其按顺序排列，但有时地址不仅仅是1行或2行，甚至在许多情况下也没有给出联系电话。所以我不能准确地定位任何东西。 以这宗个案为例：

<blockquote>
            <font face="Garamond" size="5"><br>
            <b>The Agency</b><br>
            24 Pottery Lane<br>
            Holland Park<br>
            London W11 4LZ<br>
            <br>
            <a href="http://theagency.co.uk" target="_blank">http://theagency.co.uk</a><br>
            </font></blockquote>

The Agency
24 Pottery Lane
Holland Park
London W11 4LZ

http://theagency.co.uk

希望你能解决它。 提前谢谢。

Answer 1

提取此类数据可能非常容易出错，需要在更大的数据集上进行测试

一种可能的办法是：

1. 使用.stripped_strings拆分整个条目，以提供可能行的列表
2. 使用普通快车尝试查找包含电话号码的线路。 如果未找到，请将地址的结尾设置为除最后一行之外的所有行
3. 通过假设第一个条目是公司名称来创建条目，以下条目是一个最长为address_end的地址，如果找到，则可选电话条目
4. 假设最后一个条目是网站

例如：

from bs4 import BeautifulSoup
import re

re_tel = re.compile(r'[0-9() -]{5,}$')

html = """
    <blockquote>
        <font face="Garamond" size="5"><br>
        <b>ICM Partners<br></b>
        730 Fifth Avenue<br>
        New York, NY 10019<br>
        (212) 556-5600<br>
        <br>
        (<i>Gelfman Schneider</i>)<br>
        <br>
        <a href="http://www.icmtalent.com"target="_blank">http://www.icmtalent.com</a> 
        <br></font>
    </blockquote>
    
    <blockquote>
        <font face="Garamond" size="5"><br>
        <b>The Agency</b><br>
        24 Pottery Lane<br>
        Holland Park<br>
        London W11 4LZ<br>
        <br>
        <a href="http://theagency.co.uk" target="_blank">http://theagency.co.uk</a><br>
            </font>
    </blockquote>    
    """
    
soup = BeautifulSoup(html, "html.parser")

for blockquote in soup.find_all('blockquote'):
    fields = list(blockquote.stripped_strings)
    tel = ''
    address_end = -1

    for index, field in enumerate(fields):
        if re_tel.match(field):
            tel = field
            address_end = index
            break

    fields = [fields[0], ', '.join(fields[1:address_end]), tel, fields[-1]]
    print(fields)

对于您的两个示例，这将给出：

['ICM Partners', '730 Fifth Avenue, New York, NY 10019', '(212) 556-5600', 'http://www.icmtalent.com']
['The Agency', '24 Pottery Lane, Holland Park, London W11 4LZ', '', 'http://theagency.co.uk']

当在更大的数据集上测试时，这无疑需要改进