Извлечь информацию из списка html в pandas df / list / dict (python 3.0)

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!

Похоже, красивый суп здесь будет проще простого

SuperStew 02.05.2018 16:56
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
1
574
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

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())

Nini 02.05.2018 17:59

Другие вопросы по теме