使用Python3和BeautifulSoup4处理本地html文件

文章目录

遇到的问题
初始需要处理的文本
搜索和替换的一些常用正则表达式
python3中使用beautifulsoup4
- beautifulsoup4是什么？
- 安装beautifulsoup4
- 开始使用beautifulsoup4
其他的一些小细节
- python3中将list合并转为string
最终的代码（python3）
参考资料

我的博客地址：https://hxd.red
原文链接：https://hxd.red/2019/08/06/python3-beautifulsoup4-html-190805/
我的微信公众号：不淡定的实验室（hxdred）

遇到的问题

在制作第三个微信小程序“法语背单词记忆小助手”时，我需要处理大量单词有关的数据，为了一劳永逸解决单词释义、单词例句等种种方面的问题，我打算提取mdx词典数据，将词典里面所有单词的数据做成数据表，并上传至云开发。这样的话，另一个小程序“法语动词变位记忆小助手”也能共享成果。

作为一个懒人，肯定不会手动去处理这么多数据（提取mdx之后有60万行数据，去除对我来说没用的动词变位数据，还有15万行，共计12000余个单词）。所以打算使用python和Beautiful Soup（以下可能简称BS）进行数据处理。引用官方文档的说法：Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找，修改文档的方式。Beautiful Soup会帮你节省数小时甚至数天的工作时间。

初始需要处理的文本

初始文本如下，下面仅选取两个单词的详情页作为示例：

<zidingyi>
abandonner
<h1 class="Adresse" >abandonner</h1><br /><span class="CategorieGrammaticale" >verbe transitif </span><br />
<span class="Indicateur">(déserter) </span><br />
<div class="Traductionchinois" >擅离</div>
<span class="Locution2" id="48" >abandonner son poste</span>
<div class="Traduction2chinois" >擅离职守</div Traduction2>
</td></tr></table>
<span class="Indicateur">(laisser) </span><br />
<div class="Traductionchinois" >抛弃</div>
<span class="Locution2" id="49" >abandonner un animal</span>
<div class="Traduction2chinois" >丢弃一只动物</div Traduction2><span class="Locution2" id="50" >partir en abandonnant femme et enfants</span>
<div class="Traduction2chinois" >抛弃妻子和孩子出走</div Traduction2>
</td></tr></table>
<span class="Indicateur">(renoncer à) </span><br />
<div class="Traductionchinois" >放弃</div>
<span class="Locution2" id="51" >abandonner ses études</span>
<div class="Traduction2chinois" >放弃自己的学业</div Traduction2>
</td></tr></table>
<span class="Indicateur">(se retirer de) </span><br />
<div class="Traductionchinois" >弃权</div>
<span class="Locution2" id="52" >il a abandonné la course</span> <span class="Traduction2chinois" >他在这次赛跑中弃权</span></td></tr></table>
<br /><br /> <h1 class="Adresse" >abandonner</h1><br /><span class="CategorieGrammaticale" >verbe intransitif </span><br />
<div class="Traductionchinois" >退出比赛</div>
<span class="Locution2" id="53" >après sa chute, le cycliste a abandonné</span> <span class="Traduction2chinois" >这个自行车运动员摔倒后就退出了比赛</span>
</zidingyi>
<zidingyi>
abat-jour
<h1 class="Adresse" >abat-jour</h1>
<br /><span class="CategorieGrammaticale" >nom masculin invariable</span><br />
<div class="Traductionchinois" >灯罩</div>
</zidingyi>

搜索和替换的一些常用正则表达式

在最原始的文档中，有非常多无用的标签，需要将这些标签删除。如果这些标签是定值，那么直接就能用普通的搜索替换就行批量替换；但若是标签中有有规律变动的id或者是标签之间的文字有所变动时，就需要使用正则表达式进行查找。在使用过程中，最常用的表达式总结一些就是这样的：

<a[^>]*>(.*?)</a>

举例如下：<span class=”Traduction_py”>之间有不规则的文字内容，但是我需要将所有<span class=”Traduction_py”></span Traduction_py>和标签之间文字一起替换掉，例如下方的第一行：<span class=”Locution2″ id=”12″>标签中存在id号，但是我需要将所有的类似标签（不同id）全部替换掉，例如下方的第二行：

<span class="Traduction_py">(.*?)</span Traduction_py>
<span class="Locution2" [^>]*>

python3中使用beautifulsoup4

beautifulsoup4是什么？

引用官方文档的说法：Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找，修改文档的方式。Beautiful Soup会帮你节省数小时甚至数天的工作时间。

安装beautifulsoup4

从这部分开始就需要使用到python了，至于如何方便快捷地0基础使用上python？这里可能会单独放一篇文章介绍，先立一个flag。用简洁地话来说，需要配备一下几点：

先下载一个Anaconda（搜索即可，傻瓜安装）
装完之后搜索所安装的软件里有：Anaconda Prompt。打开。
输入下面代码即可安装完成beautifulsoup4

$ pip install beautifulsoup4

搜索所安装的软件：Anaconda Navigator，选择Spyder，把本文的代码修改一下贴上即可运行。

开始使用beautifulsoup4

首先我们需要打开html文件，告诉程序你的文件存在什么地方。在path中需要将你的文件路径修改成自己的。html文件怎么来？参照“初始需要处理的文本”，将代码保存在Notepad++中另存为html即可开始实验。接下来两行就是打开html文件并且读取其中的内容。

path = 'D:/WORKS/larousse_original_test1.html'htmlfile = open(path, 'r', encoding='utf-8')htmlhandle = htmlfile.read()

下一步就是调用Beautifulsoup解析功能，解析器使用lxml。并且使用python中的panda包来存储目标数据。注意此处BeautifulSoup的大小写，不然会报错。

from bs4 import BeautifulSoupsoup = BeautifulSoup(htmlhandle, 'lxml')import pandas as pd

创建一个计数的，然后创建result，之后的所有的数据都存在这里面，到时候打开excel表时就可以看到‘word’、‘word_cixing’等等的列，而数据正是随着这些列进行逐行增加的。

count = 0result = pd.DataFrame({},index=[0])result['word'] = ''result['word_cixing'] = ''result['word_jieshi_fr'] = ''result['word_jieshi_cn'] = ''result['word_liju_fr'] = ''result['word_liju_cn'] = ''new = result

在这里建立一个循环。再初始html中我将原来mdx中的</>替换成了<zidingyi></zidingyi>。也就是说每一个单词的最外面罩着<zidingyi></zidingyi>，每一个<zidingyi></zidingyi>里面就是该单词的所有内容。

首先用了find_all()命令，这样就能得到所有的<zidingyi></zidingyi>标签的内容，并用循环遍历。每一次读到的内容存储在item里面，再通过BS的CSS选择器选择了标签为h1的内容，这是单词本身。接下来，需要将读到的list转化为string，这个在下节会讲到。

BeautifulSoup 对象表示的是一个文档的全部内容.。大部分时候可以把它当作 Tag 对象，它支持遍历文档树和搜索文档树中描述的大部分的方法。再使用get_text()，将所有标签之内的所有内容读出，储存到new的“word”字段里面，并且拼接到result中，为最后的文档输出做好准备。

这里只举了“word”一个例子，不同的字段对应着不同的样式或者是标签，可以从BS的官方中文文档中寻找详细信息。

for item in soup.find_all('zidingyi'):word = item.select("zidingyi > h1")word = ';'.join(str(e) for e in word)word = BeautifulSoup(word).get_text()new['word'] = wordcount += 1result = result.append(new,ignore_index=True)

最后大功告成，将所有的数据保存到excel表格中。（具体路径和excel命名可以根据自己的实际需求改写）

result.to_excel('d:result.xlsx')

其他的一些小细节

python3中将list合并转为string

使用 ‘’.join，引号内可以加上相应的分隔符

list1 = ['1', '2', '3']
str1 = ''.join(list1)

如果list是数字类型或者不是string类型，那需要在join之前转换。

list1 = [1, 2, 3]
str1 = ''.join(str(e) for e in list1)

最终的代码（python3）

-*- coding: utf-8 -*-
"""
Created on Sun Aug  4 14:13:54 2019
@author: https://hxd.red
"""
path = 'D:/WORKS/larousse_original_test1.html'
htmlfile = open(path, 'r', encoding='utf-8')
htmlhandle = htmlfile.read()
from bs4 import BeautifulSoup
soup = BeautifulSoup(htmlhandle, 'lxml')
import pandas as pd
count = 0
result = pd.DataFrame({},index=[0])
result['word'] = ''
result['word_cixing'] = ''
result['word_jieshi_fr'] = ''
result['word_jieshi_cn'] = ''
result['word_liju_fr'] = ''
result['word_liju_cn'] = ''
new = result
for item in soup.find_all('zidingyi'):print(item)word = item.select("zidingyi > h1")word = ';'.join(str(e) for e in word)print(word)word_cixing = item.select(".CategorieGrammaticale")word_cixing = ';'.join(str(e) for e in word_cixing)print(word_cixing)word_jieshi_fr = item.select(".Indicateur")word_jieshi_fr = ';'.join(str(e) for e in word_jieshi_fr)print(word_jieshi_fr)word_jieshi_cn = item.select(".Traductionchinois")word_jieshi_cn = ';'.join(str(e) for e in word_jieshi_cn)print(word_jieshi_cn)word_liju_fr = item.select(".Locution2")word_liju_fr = ';'.join(str(e) for e in word_liju_fr)print(word_liju_fr)word_liju_cn = item.select(".Traduction2chinois")word_liju_cn = ';'.join(str(e) for e in word_liju_cn)print(word_liju_cn)word = BeautifulSoup(word).get_text()word_cixing = BeautifulSoup(word_cixing).get_text()word_jieshi_fr = BeautifulSoup(word_jieshi_fr).get_text()word_jieshi_cn = BeautifulSoup(word_jieshi_cn).get_text()word_liju_fr = BeautifulSoup(word_liju_fr).get_text()word_liju_cn = BeautifulSoup(word_liju_cn).get_text()new['word'] = wordnew['word_cixing'] = word_cixingnew['word_jieshi_fr'] = word_jieshi_frnew['word_jieshi_cn'] = word_jieshi_cnnew['word_liju_fr'] = word_liju_frnew['word_liju_cn'] = word_liju_cncount += 1result = result.append(new,ignore_index=True)
result.to_excel('d:result.xlsx')

参考资料

https://stackoverflow.com/questions/5618878/how-to-convert-list-to-string
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#contents-children
https://blog.csdn.net/fwj_ntu/article/details/78843872