如何解析格式化 div 值的最大数量？ BS4答案

【问题标题】：How do I parse maximum number of a formated div value? BS4如何解析格式化 div 值的最大数量？ BS4
【发布时间】：2020-07-14 20:28:51
【问题描述】：

我想为使用伪表格视图应用程序的网站创建解析器。问题是如何解析以特定方式格式化的cid。

cid 有两个格式化变量R (row) 和C (column)。例如cid="R1C1" 表示数据中的第 1 行和第 1 列。我想获得行的最大值。所以在这种情况下是 99。

数据示例

<div align="center" ccnt="1" cid="R1C1"><div rid="v"><span rv="1">1</span></div></div>
<div align="center" ccnt="1" cid="R1C2"><div rid="v"><span rv="1970">1970</span></div></div>
<div ccnt="1" cid="R1C3"><div rid="v">No Name</div></div>
<div ccnt="1" cid="R1C4"><div rid="v">New York</div></div>

...

<div align="center" ccnt="1" cid="R99C1"><div rid="v"><span rv="99">99</span></div></div>
<div align="center" ccnt="1" cid="R99C2"><div rid="v"><span rv="2020">2020</span></div></div>
<div ccnt="1" cid="R99C3"><div rid="v">No Name</div></div>
<div ccnt="1" cid="R99C4"><div rid="v">Iraq</div></div>

我不知道如何处理。我可以使用列表推导来剥离和解析所有数字值并将它们写在列表中，然后获取列表的最大值，但在这种情况下它不会工作。数据中有很多外部数字。

【问题讨论】：

标签： python html parsing beautifulsoup

【解决方案1】：

您可以在cid= 参数中将soup.find_all() 与自定义正则表达式一起使用，然后将其与max() 函数结合使用。

例如：

import re
from bs4 import BeautifulSoup


txt = '''<div align="center" ccnt="1" cid="R1C1"><div rid="v"><span rv="1">1</span></div></div>
<div align="center" ccnt="1" cid="R1C2"><div rid="v"><span rv="1970">1970</span></div></div>
<div ccnt="1" cid="R1C3"><div rid="v">No Name</div></div>
<div ccnt="1" cid="R1C4"><div rid="v">New York</div></div>

<div align="center" ccnt="1" cid="R99C1"><div rid="v"><span rv="99">99</span></div></div>
<div align="center" ccnt="1" cid="R99C2"><div rid="v"><span rv="2020">2020</span></div></div>
<div ccnt="1" cid="R99C3"><div rid="v">No Name</div></div>
<div ccnt="1" cid="R99C4"><div rid="v">Iraq</div></div>'''


soup = BeautifulSoup(txt, 'html.parser')

r = re.compile(r'R(\d+)C\d+')
max_row = max(int(r.search(div['cid']).group(1)) for div in soup.find_all(cid=r))
print(max_row)

打印：

【讨论】：

@harryhow re.search(r'R(\d+)C\d+', some_text).group(1) 将获得第一个 () 组，在这种情况下 (\d+) 是 R 字符后的数字。

【解决方案2】：

如果您知道列数，那么您可以只计算具有 cid 属性的 div（即表示 table 的所有 div）并将其除以列数

或者你可以这样做

    def getRowNo(cid):
        '''
        R99C3.split('C') => ['R99', '3' ] 
        ['R99', '3' ][0][1:]  => '99'
        '''
        return int(cid.split('C')[0][1:])

    rownos = [ getRowNo(div['cid'] ) for div in soup.find_all( 'div', cid=True)] 

    Max_row = max(rownos)

【讨论】：