Beautifulsoup - 根据前一个 div 子标签从下一个 div 子标签中提取文本答案

【问题标题】：Beautifulsoup - Extract text from next div sub tag based on previous div sub tagBeautifulsoup - 根据前一个 div 子标签从下一个 div 子标签中提取文本
【发布时间】：2019-02-26 01:07:57
【问题描述】：

我正在尝试根据之前的 div-span 文本提取下一个 div 跨度中的数据。下面是 html 内容，

<div style="position:absolute; border: textbox 1px solid; writing-mode:lr-tb; left:37px; top:161px; width:38px; height:13px;"><span style="font-family: b'Times-Bold'; font-size:13px">Name
<br></span></div><div style="position:absolute; border: textbox 1px solid; writing-mode:lr-tb; left:85px; top:161px; width:58px; height:13px;"><span style="font-family: b'Helvetica'; font-size:13px">Ven
    <br></span></div>

我试图使用，

n_field = soup.find('span', text="Name\")

然后尝试使用从下一个兄弟获取文本，

n_field.next_sibling()

但是，由于字段中的“\n”，我无法找到跨度和提取 next_sibling 文本。

简而言之，我正在尝试以以下格式形成字典，

{"Name": "Ven"}

对此的任何帮助或想法表示赞赏。

【问题讨论】：

标签： python python-3.x python-2.7 beautifulsoup python-beautifultable

【解决方案1】：

您可以使用re 代替bs4。

import re

html = """
    <div style="position:absolute; border: textbox 1px solid; writing-mode:lr-tb; left:37px; top:161px; width:38px; height:13px;">
        <span style="font-family: b'Times-Bold'; font-size:13px">Name
            <br>
        </span>
    </div>
    <div style="position:absolute; border: textbox 1px solid; writing-mode:lr-tb; left:85px; top:161px; width:58px; height:13px;">
        <span style="font-family: b'Helvetica'; font-size:13px">Ven
            <br>
        </span>
    """

mo = re.search(r'(Name).*?<span.*?13px">(.*?)\n', html, re.DOTALL)
print(mo.groups())

# for consecutive cases use re.finditer or re.findall
html *= 5
mo = re.finditer(r'(Name).*?<span.*?13px">(.*?)\n', html, re.DOTALL)

for match in mo:
    print(match.groups())

for (key, value) in re.findall(r'(Name).*?<span.*?13px">(.*?)\n', html, re.DOTALL):
    print(key, value)

【讨论】：

这行得通，但是在一个文件中有很多 div，我需要从中构建一个 dicts 列表，你的建议是什么
如果他们遵循您描述的模式，您应该可以使用re.findall(r'(Name).*?<span.*?13px">(.*?)\n', html, re.DOTALL)。
知道了，我观察到的是，有时有\n，有时没有，我想将其设为可选会起作用，让我尝试确认。
然后修改正则表达式为(Name).*?<span.*?13px">(.*?)[\n|<]。
谢谢，它成功了，我只是稍微修改了一下，甚至可以检测到以开头的那些，这里是 mo = re.search(r'(\b'+ key + ')。 *?(.*?)[\n|

【解决方案2】：

我尝试了一下，出于某种原因，即使在删除 \n 之后，我也无法获取 nextSibling()，因此我尝试了不同的策略，如下所示：

from bs4 import BeautifulSoup

"""Lets get rid of the \n""" 
html = """<div style="position:absolute; border: textbox 1px solid; writing-mode:lr-tb; left:37px; top:161px; width:38px; height:13px;"><span style="font-family: b'Times-Bold'; font-size:13px">Name<br></span></div><div style="position:absolute; border: textbox 1px solid; writing-mode:lr-tb; left:85px; top:161px; width:58px; height:13px;"><span style="font-family: b'Helvetica'; font-size:13px">Ven<br></span></div>""".replace("\n","")
soup = BeautifulSoup(html)
span_list = soup.findAll("span")
result = {span_list[0].text:span_list[1].text.replace(" ","")}

结果如下：

{'姓名': '文'}

【讨论】：