我正在解析一个html文件,我想找到文件中写着“小报告公司”的部分,旁边有一个“X”或复选框,或者没有。复选框通常是用Wingdings字体或ascii代码完成的。在下面的HTML中,您将看到它旁边的wingdings中有一个þ
。在
我可以显示正则表达式搜索文本的结果,但在下一步中查找复选框时遇到了问题。在
我将使用它来解析许多不同的html文件,这些文件的格式不完全相同,但大多数文件都将使用类似于本例的表格和ascii文本。在
以下是HTML代码:
<HTML>
<HEAD><TITLE></TITLE></HEAD>
<BODY>
<DIV align="left">Indicate by check mark whether the registrant is a large accelerated filer, an accelerated filer, a non-accelerated filer, or a smaller reporting company. See the definitions of “large accelerated filer,” “accelerated filer” and “smaller reporting company”. (Check one):
</DIV>
<DIV align="center">
<TABLE style="font-size: 10pt" cellspacing="0" border="0" cellpadding="0" width="100%">
<!-- Begin Table Head -->
<TR valign="bottom">
<TD width="22%"> </TD>
<TD width="3%"> </TD>
<TD width="22%"> </TD>
<TD width="3%"> </TD>
<TD width="22%"> </TD>
<TD width="3%"> </TD>
<TD width="22%"> </TD>
</TR>
<TR></TR>
<!-- End Table Head -->
<!-- Begin Table Body -->
<TR valign="bottom">
<TD align="center" valign="top"><FONT style="white-space: nowrap"> Large accelerated filer <FONT style="font-family: Wingdings">o</FONT></FONT>
</TD>
<TD> </TD>
<TD align="center" valign="top"><FONT style="white-space: nowrap">Accelerated filer <FONT style="font-family: Wingdings">o</FONT></FONT>
</TD>
<TD> </TD>
<TD align="center" valign="top"><FONT style="white-space: nowrap"> Non-accelerated filer <FONT style="font-family: Wingdings">o</FONT> </FONT>
<FONT style="white-space: nowrap">(Do not check if a smaller reporting company)</FONT>
</TD>
<TD> </TD>
<TD align="center" valign="top"><FONT style="white-space: nowrap"> Smaller reporting company <FONT style="font-family: Wingdings">þ</FONT></FONT></TD>
</TR>
<!-- End Table Body -->
</TABLE>
</DIV></BODY></HTML>
下面是我的Python代码:
^{pr2}$问题: 我如何设置此项以进行依赖于第一次搜索的第二次搜索?所以当我找到“小报告公司”时,我可以搜索接下来的几行,看看是否有ascii码?我一直在看汤医生。我试着做find and findNext,但没能让它发挥作用。在
如果知道wingding字符的位置不会改变,可以使用
.next
。在或者你可以上去,然后
^{pr2}$find
从那里:或者你也可以反过来:
假设你知道你要找的翅膀特征。在
最后一个策略还有一个额外的好处,就是过滤掉正则表达式捕捉到的其他垃圾,我想你并不真的想要;然后你可以循环查看结果,知道你只在正确的列表中工作,这样你就可以随心所欲地阅读
if
。在您可以尝试遍历结构并检查内部标记内的值或检查外部标记中的值。我已经记不清该怎么做了,最后我使用了lxml来实现这一点,但我认为bsoup可以做到这一点。在
如果你不能让bsoup来做,那就看看lxml。它可能更快取决于你在做什么。它还有一些钩子,可以在lxml中使用bsoup。在
lxml
有一个容忍的HTML解析器。您不需要bsoup(它现在已经被作者弃用),并且应该避免使用regex来解析HTML。在以下是您要寻找的第一个粗略的概述:
这会产生:
^{pr2}$相关问题 更多 >
编程相关推荐