从 HTML 文档中提取特定字符串答案

【问题标题】：Extracting a specific string out an HTML document从 HTML 文档中提取特定字符串
【发布时间】：2012-04-04 22:08:16
【问题描述】：

我只需要从离线 HTML 文档中采样和提取特定字符串，并将该信息干净整洁地写入 *.txt 文件中。

例如，假设这是 HTML 文件的一部分：

    <span id="dataView01">001.00 SPL</span>
    <span id="dataView02">543.00 SPL</span>
    <span id="dataView03">056.00 SPL</span>
    <span id="dataView04">228.00 SPL</span>

我需要得到这个结果：

   001.00 SPL
   543.00 SPL
   056.00 SPL
   228.00 SPL

你能帮我解决这个问题吗？谢谢。

【问题讨论】：

标签： python html parsing

【解决方案1】：

使用像BeautifulSoup这样的HTML解析器。
示例：

from bs4 import BeautifulSoup as bs
import re

markup = '''<span id="dataView01">001.00 SPL</span>
    <span id="dataView02">543.00 SPL</span>
    <span id="dataView03">056.00 SPL</span>
    <span id="dataView04">228.00 SPL</span>'''

soup = bs(markup)
tags = soup.find_all('span', id=re.compile(r'[dataView]\d+'))
for t in tags:  
    print(t.text)

结果：

001.00 声压级 543.00 声压级 056.00 声压级 228.00 声压级

下一步；写入 .txt 文件：

import csv

with open('output.txt','wb') as fou:
    csv_writer = csv.writer(fou)
    for tag in tags:
        split_on_whitespace = t.text.split()
        csv_writer.writerow(split_on_whitespace)

【讨论】：

请注意：代码仅用于说明目的，当然还有其他方法可以做到这一点。如果您有任何问题，请随时发表评论，我会尽快解释。祝你好运。
您好，刚刚下载了bs4，很好用。我不确定的唯一部分是如何对 html 文件进行采样并获取所有准备好由 bs4 库处理的“543.00 SPL”字符串。谢谢！真的很有帮助。
您尝试过我发布的.find_all() 代码示例吗？它是根据您提供的标记示例量身定制的。
对不起，我没看过。我对所有这些 stackoverflow 发布和链接等都有些陌生。
我完成了所有这些工作，唯一缺少的部分是我打开 HTML 文件并对其进行采样的部分，以便我可以将其输入 bs 处理器。非常感谢您的帮助！

【解决方案2】：

使用BeautifulSoup

【讨论】：

谢谢，我在上面的 bs4 答案中取得了进展。 bs4 效果很好。

【解决方案3】：

 import re
 s='001.00 SPL 543.00 SPL 056.00 SPL 228.00 SPL'
 print re.search(r'(\d{3}\.\d{2}\sSPL\s\d{3}\.\d{2}\sSPL\s\d{3}\.\d{2}\sSPL\s\d{3}\.\d{2}\sSPL)',s).group()

我不知道 html 文档中的周围文本，但这可能有效。

我看到你的编辑我会更新我的

实际上是 jldupont 的回答。

【讨论】：

谢谢！好吧，我不熟悉文件操作:(我需要打开 HTML 文件，然后仅对这些行进行采样，然后提取中间部分。re lib 可能会完成查找工作，然后我将拆分并过滤和提取，但我不确定如何打开文件并扫描它。谢谢！