使用 elementree 灵活处理 HTML 数据答案

【问题标题】：Using elementree for flexible processing of HTML data使用 elementree 灵活处理 HTML 数据
【发布时间】：2022-01-15 01:25:48
【问题描述】：

我正在使用 elementree 从 HTML 中提取数据，其格式随着时间的推移在结构上发生了变化（请参阅下面的示例）。

我目前正在使用iterfind 来查找不同的匹配结构块（font/b、b/font、font）

但是，我注意到有一个通用模式。无论使用的特定 HTML 元素集如何，第一个 div 子元素的最终内部文本是 color，第二个子元素是 pet-type，第三个子元素是child 是名称。

是否有通过elementree 执行此操作的通用方法？这将使我的代码更简单，并且可能更具前瞻性。

<div>
  <font><b>Brown</b></font><a>Cat</a><font><b>Larry</b></font>
</div>
<div>
  <b><font>White</font></b><i><a>Poodle</a></i><b><font>Foxy</font></b>
</div>
<div>
  <font><i>Tabby</i></font><a><i>Cat</i></a><font>Tempi</font>
</div>

【问题讨论】：

标签： python html elementtree

【解决方案1】：

这样的事情怎么样：

pets = """<body><div>
  <font><b>Brown</b></font><a>Cat</a><font><b>Larry</b></font>
</div>
<div>
  <b><font>White</font></b><i><a>Poodle</a></i><b><font>Foxy</font></b>
</div>
<div>
  <font><i>Tabby</i></font><a><i>Cat</i></a><font>Tempi</font>
</div></body>"""

animals = []
doc = ET.fromstring(pets)
for pet in doc.findall('.//div'):
    animals.append([animal.text  for animal in pet.findall('.//*') if animal.text]  )

animals

输出：

[['Brown', 'Cat', 'Larry'],
 ['White', 'Poodle', 'Foxy'],
 ['Tabby', 'Cat', 'Tempi']]

【讨论】：

啊，'.//*' - 这很聪明。
@ianmayo 谢谢！

【解决方案2】：

此代码似乎可以工作：

        items = div.itertext()
        textblocks = []
        for item in items:
            trimmed = item.strip()
            if len(trimmed) > 0:
                textblocks.append(trimmed)
        color = textblocks[0]
        pet_type = textblocks[1]
        name = textblocks[2]
        print(color + ', ' + pet_type + ', ' + name)

我欢迎对代码进行任何改进

【讨论】：

这是一个建议的答案。此后，+jack-fleeting 提供了更好的答案