Extrahieren von Daten aus HTML-Dateien mit Python und BeautifulSoup

Brauche ich zum extrahieren von Daten aus HTML-Dateien. Die betroffenen Dateien sind, die meisten wahrscheinlich automatisch generiert. Hochgeladen habe ich den code einer dieser Dateien auf Pastebin: http://pastebin.com/9Nj2Edfv. Das ist der link zu der eigentlichen Seite: http://eur-lex.europa.eu/Notice.do?checktexts=checkbox&val=60504%3Acs&pos=1&page=1&lang=en&pgs=10&nbl=1&list=60504%3Acs%2C&hwords=&action=GO&visu=%23texte

Benötigten Daten zu extrahieren ist zu finden unter den verschiedenen Rubriken.

Dies ist, was ich habe, so weit:

from BeautifulSoup import BeautifulSoup
ecj_data = open("data\ecj_1.html",'r').read()

soup = BeautifulSoup(ecj_data)

celex = soup.find('h1')
auth_lang = soup('ul', limit=14)[13].li
procedure = soup('ul', limit=20)[17].li

print "Celex number:", celex.renderContents(),
print "Authentic language:", auth_lang
print "Type of procedure:", procedure

Habe ich alle Daten lokal gespeichert, das ist der Grund, es öffnet sich die Datei ecj_1.html.

Die Celex-Nummer und die Authentische Sprache funktioniert einigermaßen gut.

celex gibt

"Celex number: 
61977J0059"

auth_lang zurück "Authentic language: <li>French</li>"

Brauche ich nur den Inhalt des h1-tag (nicht die Pause am Ende).

[Auch, ich muss auth_lang Rückkehr nur "Französisch", und nicht die <li>-tags.]
Ist das kein problem mehr. Ich merkte, ich könnte nur hinzufügen ".text" Ende "auth_lang".

Prozedur auf der anderen Seite gibt diese:

    Type of procedure: <li>
    <strong>Type of procedure:</strong>
    <br />
    Reference for a preliminary ruling
    </li>

das ist ganz falsch, wie ich gerade brauche, bis Sie wieder "Vorabentscheidung".

Gibt es eine Möglichkeit, kann ich dies realisieren?

Zweites edit:
Ich ersetzte celex = soup.find('h1') mit celex = soup('h1', limit=2)[0] und Hinzugefügt .text zu drucken celex.

InformationsquelleAutor A2D2 | 2012-03-20

  1. 3

    Den Inhalt jedes der gefundenen Sequenzen sind Listen, nur die ersten beiden sind length-1. Allerdings procedure 5 Elemente lang, und der Eintrag, den Sie sind, nachdem (in diesem Fall) ist der 4. Division. Ich habe splitlines(), um loszuwerden, die Zeilenumbrüche auch.

    print "Celex number:", celex.contents[0].splitlines()[1]
print "Authentic language:", auth_lang.contents[0].splitlines()[0]
print "Type of procedure:", procedure.contents[4].splitlines()[1]

    Ausgabe:

    Celex number: 61977J0059
Authentic language: French
Type of procedure: Reference for a preliminary ruling
    Fraxel: Danke sehr! Es funktioniert wie ein Charme. Die Idee ist irgendwie übertragen Sie die Ausgabe dieser Datei in eine Datenbank. Ich glaube, Sie haben möglicherweise löste ein problem in der Zukunft, wenn Sie zeigte mir, wie, um loszuwerden, die Zeilenumbrüche, wie Sie sind, wahrscheinlich, um die Schraube etwas später auf. Nochmals vielen Dank!

    InformationsquelleAutor

Schreibe einen Kommentar