使用BeautifulSoup拾取以“：”分隔的文本

Question

网页源代码包含如下片段：

<TR>
<TD width="40%">Company No. <I>(CO.)</I> : <B>056</B></TD>
<TD width="40%">Country Code. <I>(CC.)</I> : <B>3532 </B></TD></TR>
<TR>
<TD>Register <I>(Reg.)</I> : <B>FD522</B></TD>
<TD>Credit<I>(CD.) </I>: <B>YES</B></TD></TR>
<TR>
<TD>Type <I>(TP.)</I> : <B>PRIVATE</B></TD></TR>

简称，如公司，抄送。规则。CD。和TP。是斜体字体。056、3532、FD522等内容均为粗体。它们之间用“：”隔开。在

我想用beauthulsoup分别提取它们的标题和内容，但是没有成功。在

我正在使用：

^{pr2}$

但效果不好。它在一行中返回“Company No.（CO.）：056”，但我希望它们分开，比如“Company No.”、“CO.”和“056”。在

我也试过：

all_texts = soup.find_all(":")

或者：

all_texts = soup.find_all("/b") 

等等，但它们不起作用。在

结果

下面的帮助有两种方法。放在那里作为参考：

这样可以获得粗体字母的内容，但是在某些句子中，最后一个字母会丢失：

for bb in aa:
    cc = bb.get_text()
    dd = cc[cc.find("<b>")+1 : cc.find("</b>")]
    print dd

这样，ee和ff提供了“标题”和内容，即“：”前后的文本。在

for bb in aa:
    cc = bb.get_text()
    dd = cc.split(' :')
    ee = dd[0] #title
    ff = dd[len(dd)-1] # content

Answer 1

你不必强迫自己使用beauthulsoup函数来分离它们 因为对于每个数据里面都有不同的令牌密钥来分割 即：

<TD width="40%">Company No. <I>(CO.)</I> : <B>056</B></TD>

1. 公司编号，以“.”分隔
2. （CO.）以“：”分隔
3. 056内<B></B>

我建议您使用子字符串方法从每个td中获取数据：

^{pr2}$

Answer 2

这只是简单的字符串操作，并不是真正的BS4问题。可以做如下的事情。请注意，下面的方法可能不是最好的方法，但我这样做是为了冗长。在

from bs4 import BeautifulSoup as bsoup

ofile = open("test.html")
soup = bsoup(ofile)
soup.prettify()

tds = soup.find_all("td")
templist = [td.get_text() for td in tds]

newlist = []
for temp in templist:
    whole = temp.split(":") # Separate by ":" first.
    half = whole[0].split("(") # Split the first half using open parens.
    first = half[0].strip() # First of three elements.
    second = half[1].replace(")","").strip() # Second of three elements.
    third = whole[1].strip() # Use the second element for the first split to get third of three elements.
    newlist.append([first, second, third])

for lst in newlist:
    print lst # Just print it out.

结果：

^{pr2}$

让我们知道这是否有帮助。在

Answer 3

使用findAll获取完整HTML文档的正确部分，然后使用：

text = soup.get_text()
print text

然后用“.split（）”将其拆分为数组

^{pr2}$