Python 按标记顺序分组html内容
我有一个类似于以下内容的html文件:Python 按标记顺序分组html内容,python,html-parsing,beautifulsoup,Python,Html Parsing,Beautifulsoup,我有一个类似于以下内容的html文件: <h2>section 1</h2> <p>para 1</p> <p>para 2</p> <p>para 3</p> <h2>section 2</h2> <p>para 1</p> <p>para 2</p> <p&
<h2>section 1</h2>
<p>para 1</p>
<p>para 2</p>
<p>para 3</p>
<h2>section 2</h2>
<p>para 1</p>
<p>para 2</p>
<p>para 3</p>
<h2>section 3</h2>
<p>para 1</p>
<p>para 2</p>
<p>para 3</p>
第1节
第1款
第2段
第3段
第二节
第1款
第2段
第3段
第三节
第1款
第2段
第3段
我想把它们放到python字典中:{'section1':'…','section2':','section3':'…'}
,当然我可以设置一个current_section
变量并使用while循环,但是有用于此目的的模块吗?
我已经离开了BeautifulSoup,但在那里找不到捷径
谢谢 我想您需要
string
内置的split
方法。如果你得到的文本在html\u字符串中,你可以这样做
sections = html_string.split('<h2>') #this deletes the opening h2 tag
for section in sections:
section = '<h2>' + section #replace the opening h2 tag
#code to parse each section goes here
sections=html_string.split(“”)#这将删除开头的h2标记
对于分段:
节=''+节#替换开口h2标签
#解析每个部分的代码如下所示
这应该比使用while
循环更干净。据我所知,在soup.group_by_header()
中没有任何内容,但是对于您描述的输入,在任何情况下,您想要实现的都非常简单:
>>> from bs4 import BeautifulSoup
>>> html = """
... <h2>section 1</h2>
... <p>para 1</p>
... <!-- etc. -->
... """
>>> soup = BeautifulSoup(html)
>>> sections = {}
>>> for header in soup("h2"):
... paras = []
... for sibling in header.find_next_siblings(text=False):
... if sibling.name == "h2":
... break
... paras.append(sibling.string)
... sections[header.string] = paras
...
>>> sections
{u'section 1': [u'para 1', u'para 2', u'para 3'],
u'section 2': [u'para 1', u'para 2', u'para 3'],
u'section 3': [u'para 1', u'para 2', u'para 3']}
>>>
>>来自bs4导入组
>>>html=”“”
…第1节
第1段
...
... """
>>>soup=BeautifulSoup(html)
>>>节={}
>>>对于汤中的标题(“h2”):
... 第[]段
... 对于标头中的同级。查找\u下一个\u同级(text=False):
... 如果sibling.name==“h2”:
... 打破
... 段落追加(同级字符串)
... 节[header.string]=第
...
>>>部分
{u'section 1':[u'para 1',u'para 2',u'para 3'],
u‘第2节’:[u‘第1段’、u‘第2段’、u‘第3段’],
u'第3节':[u'第1段'、u'第2段'、u'第3段]]
>>>
这种方法有问题吗?或者你只是想知道是否有一些聪明的BeautifulSoup方法适合(公平地说,其中有一些)?这是一个坏主意-使用HTML解析器是更好的选择。这可以将整个HTML页面分成多个组,但不会将文本提取到词典中。谢谢,这看起来真不错。但如果有,如你所说,一些聪明美丽的方法,请分享这些也,我将非常感激!