Разбор Python: извлечение данных из тестового файла html для нестандартного макета - PullRequest
Новая
       20

Разбор Python: извлечение данных из тестового файла html для нестандартного макета

1 голос
/ 26 января 2011

Мне нужна помощь с разбором текстового файла html, который имеет макет, через который я не уверен, как разобрать, и мог бы действительно использовать помощь.

код на данный момент: 

import urllib,os, urllib2, webbrowser, StringIO, re
from BeautifulSoup import BeautifulSoup
from urllib import urlopen

urlfile = open('output.txt','r')

html = urlfile

soup = BeautifulSoup(''.join(html))

print soup.prettify()
table = soup.find('table', id="dgProducts__ctl2_lblCountry")
rows = table.findAll('<span id="dgProducts__ctl2_lblCountry">')

for tr in rows:
  cols = tr.findAll('td')
for td in cols:
   text = ''.join(td.find(text=True))
   print text+"|",
print

Что я пытаюсь сделать: Я пытаюсь извлечь данные из текстового файла .html и представить их в следующем формате: 

Header Row:  Country Company Name  Company Product Name       Status
Data Row(s): 1        Ace           Desktop      Ace Vision    Gold

Сокращенный .html файл Структура данных: 

</tr><tr bgcolor="White">
  <td><font color="#330099" size="1">
         <span><font size="2">
           <input id="dgProducts__ctl12_ckCompare" type="checkbox" name="dgProducts:_ctl12:ckCompare" onclick="checkSelected(this.form, this);" />
           </font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblModel1"><font size="2">  
          <a href='ProductDisplay.aspx?return=pm&action=view&search=true&productid=4592&ProductType=1&epeatcountryid=1'>Ace Vision 7HS</a></font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblCountry">United States</span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblProductCategory1"><font size="2">Desktops</font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblRating1"><font size="2">Gold</font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblPoints1">18</span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblEnergyStar">5.0</span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblMonitorType1"><font size="2"></font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblMonitorSize"><font size="2"></font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblListingDate1"><font size="2">3/16/2010</font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblStatus"><font size="2">Active</font></span>
        </font></td><td><font color="#330099" size="1">
         <span id="dgProducts__ctl12_lblExceptions" align="center"><a href='#' onclick=ShowExceptions('Exceptions.aspx?id=4592');>    
          <img src='http://www.epeat.net/Images/inform.gif' title='Click to view exceptions' alt='Click to view exceptions' border='0'></a></span>
        </font></td>

1 Ответ

0 голосов
/ 03 февраля 2011

Я бы порекомендовал вам использовать модуль под названием MiniDom или xml.dom.minidom. Это облегчает анализ файлов XML и HTML.

...