У меня есть исходный код веб-сайта, который содержит несколько списков. Теперь я хотел бы извлечь информацию из этих списков в пригодный для использования формат на Python.
Например, см. Первую запись в списке стран ниже:
<ul class='checklist__list'>
<li class=' checklist__item' id='checklist__item--country-111'>
<label class='checklist__label ripple-animation'>
<input class = "checklist__input js-checklist__input idb-on-change" type = "checkbox" id = "111" name = "country" value = "111">
Germany
</input>
</label>
</li>
Скажем, теперь меня интересует идентификатор страны (здесь: 111) и соответствующее название страны (здесь: Германия), и я хотел бы иметь это в удобном для использования формате на Python, например, фреймворке данных pandas или словаре.
Кто-нибудь знает простой способ сделать это? Исходный список содержит> 100 стран.
Большое спасибо за предложения!
Вы можете легко решить эту проблему с помощью BeautifulSoup.
Учитывая разметку, которую вы разместили в своем вопросе, этот фрагмент кода должен извлечь id
и label
:
from bs4 import BeautifulSoup as bs
html = """<ul class='checklist__list'>
<li class=' checklist__item' id='checklist__item--country-111'>
<label class='checklist__label ripple-animation'>
<input class = "checklist__input js-checklist__input idb-on-change" type = "checkbox" id = "111" name = "country" value = "111">
Germany
</input>
</label>
</li>"""
soup = bs(html)
label = soup.find("label").text
id = soup.find("input").get("value")
Вам нужно будет очистить этикетку, так как в выводе есть некоторые посторонние пробелы и символы новой строки, но вы сможете расширить этот пример, однако вам потребуется дальнейшая обработка этих элементов.
Чтобы обработать несколько элементов списка, которые имеют тот же формат разметки, что и выше, вы можете использовать этот фрагмент:
lis = soup.find_all("li") # This will return a list of all line items in the markup.
for li in lis:
li_label = li.find("label").text
li_id = li.find("input").get("id")
print(li_label, li_id)
Спасибо, отлично сработало! Я удалил пробелы и разрывы строк следующей строкой li_country= ' '.join(li.find("label").text.split())
Похоже, красивый суп здесь будет проще простого