Aide récupérer le code produit de HTML en utilisant Beautiful Soup

Question

Une page Web a un code de produit que je dois retrive, et il est dans la section HTML suivant:

<table...> 
<tr> 
<td> 
<font size="2">Product Code#</font> 
<br> 
<font size="1">2342343</font> 
</td> 

</tr> 
</table> 

Je crois que la meilleure façon de le faire serait commencez par référencer l'élément html avec la valeur de texte 'Product Code #', puis faites référence à la deuxième étiquette de police dans le TD.

Des idées?

Answer 1

Ma stratégie est la suivante:

• Recherchez les nœuds de texte correspondant à la chaîne "Code de produit"
• Pour chaque nœud de ce type, obtenez l'élément parent <font> et recherchez le parent suivantélément
• Insérer le contenu de l'élément de frères et soeurs dans une liste

Le code:

from BeautifulSoup import BeautifulSoup 


html = open("products.html").read() 
soup = BeautifulSoup(html) 

product_codes = [tag.parent.findNextSiblings('font')[0].contents[0] 
       for tag in 
       soup.findAll(text='Product Code#')] 

Answer 2

Vous pouvez utiliser cette regex (ou quelque chose de similaire):

<td>\n\ <font\ size="2">Product\ Code\#</font>\n\ <br>\n\ <font\ size="1">(?<ProductCode>.+?)</font>\n\ </td>

Vous pouvez probablement supprimer certaines des échappées en fonction de votre moteur RegExp ... j'étais prudent.

Answer 3

En supposant soup est votre BeautifulSoup exemple:

int(''.join(soup("font", size="1")[0](text=True))) 

Ou, si vous avez besoin d'obtenir plusieurs codes de produit:

[int(''.join(font(text=True))) for font in soup("font", size="1")] 

Answer 4

Ne pas utiliser des expressions régulières pour analyser HTML. J'utiliser la XPATH suivante pour cette tâche:

//TABLE/TR/TD/FONT[@size='1'] 

Ou, si l'attribut de taille de la police n'est pas garanti d'être là et égal à 1:

//FONT[text()='Product Code#']/parent::*/FONT[2]