使用 python 正则表达式解析 HTML

Question

我正在使用python正则表达式来解析html文件，现在我需要从html标签中提取一个数字，这个数字可以是整数或浮点值。以下是两个例子：

整数大小写：

<span class='addr-bbs'>2 baths</span>

浮点数情况：

<span class='addr-bbs'>3.5 baths</span>

我原来的代码是：

bath = re.findall('<span class=\"addr_bbs\">' + '(.{1,3})' + 'baths{0,1}<', str(homedata))

但经过测试，它错过了所有的浮点情况。如何涵盖这两种情况以正确提取数字？

谢谢

Answer 1

正如评论，使用html parser 按类名 查找标签。如果数字始终是文本中的第一个，则可以在拥有标签后拆分以提取它：

from bs4 import BeautifulSoup
h = """<span class='addr-bbs'>3.5 baths</span>
      <span class='addr-bbs'>1 baths</span>
      <span class='foos'>3.0 baths</span>"""

soup = BeautifulSoup(h,"html.parser")

for span in soup.select("span.addr-bbs"):
    print(span.text.split()[0])

哪个会打印：

3.5
1

如果您还想通过标签文本进行过滤，即addr-bbs 有其他跨度，您可以将正则表达式传递给find_all 以仅获取 span.addr-bbs有浴这个词。

from bs4 import BeautifulSoup
import re
h = """<span class='addr-bbs'>3.5 baths</span>
"<span class='addr-bbs'>5 rooms</span>
      <span class='addr-bbs'>1 baths</span>
      <span class='foos'>3.0 baths</span>"""

soup = BeautifulSoup(h, "html.parser")

for span in soup.find_all("span","addr-bbs", text=re.compile(r"\bbaths\b")):
    print(span.text.split()[0])

Answer 2

首先，意识到如果没有更多的处理，你就注定要失败。有些房地产经纪人会写“2.5”，有些会写“2 1/2”，有些会写“2+1/2”，等等。大联盟 数据从未标准化，部分原因是难以解析。就在您认为已解决时，您会得到“2+sink”。通常允许猜测搜索的数字含义，然后在显示时吐出原始文本。

您可能应该获取从> 到baths 的所有内容。要正确执行此操作，您应该使用“非贪婪”修改，这样您就不会解析 一直到下一个记录。你可以在 thsi Python doc 中阅读 non-greedy，但神奇的短语是：

bath = re.findall('<span class=\"addr_bbs\">(.*?)bath.?<', str(homedata))

然后尽量解析 bath.groups() 。

Answer 3

三个错别字：

• 引号；
• 破折号；
• 空间。

试试bath = re.findall('''<span class=["']addr-bbs["']>''' + '(.{1,3})' + ' baths{0,1}<', str(homedata))