Итерация по XML с BeautifulSoup и Pull Next Sibling - PullRequest
Новая
       9

Итерация по XML с BeautifulSoup и Pull Next Sibling

1 голос
/ 21 апреля 2020

Я преобразовал PDF в XML для облегчения анализа. Пример моего XML выглядит следующим образом: 

<LTTextLineHorizontal bbox="[58.501, 729.764, 78.501, 737.764]" height="8.0" width="20.0" word_margin="0.1" x0="58.501" x1="78.501" y0="729.764" y1="737.764"><LTTextBoxHorizontal bbox="[58.501, 729.764, 78.501, 737.764]" height="8.0" index="13" width="20.0" x0="58.501" x1="78.501" y0="729.764" y1="737.764">Date: </LTTextBoxHorizontal></LTTextLineHorizontal>
<LTTextLineHorizontal bbox="[107.249, 730.004, 147.281, 738.004]" height="8.0" width="40.032" word_margin="0.1" x0="107.249" x1="147.281" y0="730.004" y1="738.004"><LTTextBoxHorizontal bbox="[107.249, 730.004, 147.281, 738.004]" height="8.0" index="14" width="40.032" x0="107.249" x1="147.281" y0="730.004" y1="738.004">02/26/2020 </LTTextBoxHorizontal></LTTextLineHorizontal>

«Дата:» находится в одной строке, а следующий брат (я думаю, это так и называется) имеет значение «26.02.2020 . "

Я пытался: 

from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml)
print(soup.find(text="Date:").findNext('LTTextLineHorizontal').contents[0])

Я получаю сообщение об ошибке: 

AttributeError: 'NoneType' object has no attribute 'findNext'

Моя цель - перебрать XML и вытащить искомые переменные (т.е. дата) и их в массив данных. Но я даже не дошел до этого.

Выводом для этого может быть словарь или строка даты: 02/26/2020

1 Ответ

1 голос
/ 21 апреля 2020

Использование регулярного выражения re. 

import re
from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml,'lxml')
print(soup.find('lttextboxhorizontal',text=re.compile("Date:")).find_next('lttextboxhorizontal').text)

Или 

import re
from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml,'lxml')
print(soup.find(text=re.compile("Date:")).find_next('lttextboxhorizontal').text)

Вы можете сделать это без регулярного выражения, а также поставить пробел. 

from bs4 import BeautifulSoup
xml = open("test3.xml").read()
soup = BeautifulSoup(xml,'lxml')
print(soup.find(text="Date: ").find_next('lttextboxhorizontal').text)
...