python - 使用Python和Beautiful Soup分割抓取的文本

我已经从this website刮掉了时间表。
我得到的输出是：

"ROUTE": "NAPOLI PORTA DI MASSA \u00bb ISCHIA"

但我想：

"DEPARTURE PORT": "NAPOLI PORTA DI MASSA"
"ARRIVAL PORT": "ISCHIA"

如何分割字符串？
这是代码：

medmar_live_departures_table = list(soup.select('li.tratta'))
departure_time = []
for li in medmar_live_departures_table:
    next_li = li.find_next_sibling("li")
    while next_li and next_li.get("data-toggle"):
        if next_li.get("class") == ["corsa-yes"]:
          #  departure_time.append(next_li.strong.text)
            medmar_live_departures_data.append({
            'ROUTE' : li.text
           })

最佳答案

两件事情，

1.由于“»”是非ASCII字符，因此python返回非ASCII字符，如“ \ u00bb”，因此通过使用非ASCII代码拆分文本来解析字符串将是可行的：

parse=li.get_text().split('\u00bb')

另外，您可以像这样使用re库来解析非ascii字符（如果选择此路径，则需要添加re库）：

import re

non_ascii = li.get_text()
parse = re.split('[^\x00-\x7f]', non_ascii)
#[^\x00-\x7f] will select non-ascii characters as pointed out by Moinuddin Quadri in https://stackoverflow.com/questions/40872126/python-replace-non-ascii-character-in-string

但是，这样做python会从解析中创建一个零件列表，但是并非“ li” html标记中的所有文本都带有“»”字符（即，表末尾的文本“ POZZUOLI-PROCIDA”网站），因此我们必须对此负责，否则我们会遇到一些问题。

2.字典可能不是很好的数据结构选择，因为您要解析的数据将具有相同的键。

例如，POUZZOULI»CASAMICCIOLA和POUZOULI»PROCIDA。 COSMICCIOLA和PROCIDA将具有相同的密钥。 Python将简单地覆盖/更新POUZZOULI键的值。因此，POUZZOULI：CASAMICCIOLA将成为POUZZOULI：PROCIDA，而不是将POUZZOULI：CASAMICCIOLA作为字典条目，并将POUZZOULI：PROCIDA作为另一个字典条目。

我建议将解析的每个部分作为元组添加到列表中，如下所示：

single_port= []
ports=[]

medmar_live_departures_table = list(bs.select('li.tratta'))
departure_time = []
for li in medmar_live_departures_table:
    next_li = li.find_next_sibling("li")
    while next_li and next_li.get("data-toggle"):
        if next_li.get("class") == ["corsa-yes"]:
            #  departure_time.append(next_li.strong.text)
            non_ascii = li.get_text()
            parse = re.split('[^\x00-\x7f]', non_ascii)

            # The if statement takes care of table data strings that don't have the non-ascii character "»"
            if len(parse) > 1:
                ports.append((parse[0], parse[1]))

            else:
                single_port.append(parse[0])


# This will print out your data in your desired manner
for i in ports:
    print("DEPARTURE: "+i[0])
    print("ARRIVAL: "+i[1])

for i in single_port:
    print(i)

我还在运行的测试代码中使用了split方法：

import requests
from bs4 import BeautifulSoup
import re

url="https://www.medmargroup.it/"
response=requests.get(url)
bs=BeautifulSoup(response.text, 'html.parser')


timeTable=bs.find('section', class_="primarystyle-timetable")

medmar_live_departures_table=timeTable.find('ul')
single_port= []
ports=[]


for li in medmar_live_departures_table.find_all('li', class_="tratta"):
    parse=li.get_text().split('\u00bb')

    if len(parse)>1:
        ports.append((parse[0],parse[1]))

    else:
        single_port.append(parse[0])


for i in ports:
    print("DEPARTURE: "+i[0])
    print("ARRIVAL: "+i[1])

for i in single_port:
    print(i)

我希望这有帮助！