给了我一个数据集，我需要将嵌入单元格中的html转换为干净的html剥离的csv。给出了预期的结果。在html内是单独标识的文件，每个文件都必须是其自己的行。这些列位于单独的单元格中，并且具有单独的关键字（也嵌入在HTML中），需要生成到新的列中并标识为TRUE（条件是在行中找到关键字）或FALSE（条件是未找到关键字）在该行中）。解决方案需要对先前生成并标识为TRUE的关键字敏感。
我一直在搜索类似的问题作为示例，但是这个问题似乎是由于我的已知技术语言（我不是数据清理专家）或要求不寻常。
这是CSV中的典型行...
"<div id="categories">
<h3>Categories</h3>
<ul>
<li><a href="">Keyword1</a></li>
<li><a href="">Keyword2</a></li>
</ul>
</div>
","<div id="file"><h3>File</h3>, <div id="image">
<a href="A">A.jpg</a>
<br/></div>
, <div id="image">
<a href="B">B.jpg</a>
<br/></div>
</div>
"
每行中关键字和文件的数量各不相同。
预期结果
File, Keyword1, Keyword2, Keyword3
A.jpg, TRUE, TRUE, FALSE
B.jpg, TRUE, TRUE, FALSE
C.jpg, TRUE, FALSE, TRUE
D.jpg, FALSE, FALSE, TRUE
E.jpg, FALSE, FALSE, TRUE
这是使用以下方法获得所需输出的一种方法BeautifulSoup：
from bs4 import BeautifulSoup as bs
a = '''
<div id="categories">
<h3>Categories</h3>
<ul>
<li><a href="">Keyword1</a></li>
<li><a href="">Keyword2</a></li>
</ul>
</div>
","
<div id="file">
<h3>File</h3>,
<div id="image">
<a href="A">A.jpg</a>
<br/>
</div>
,
<div id="image">
<a href="B">B.jpg</a>
<br/>
</div>
</div>
'''
def find_elms(soup, tag, attribute):
"""Find the block using it's tag and attribute values"""
categories_block = soup.find(tag, attribute)
if categories_block:
return [elm.text for elm in categories_block.findAll('a')]
return []
def pretty_print(master, categories, files):
"""Here we're just better printing the output"""
cat = '\t'.join(['{elm:<12}'.format(elm=elm) for elm in master])
print(cat)
for k in files:
out = '{file_:<12}'.format(file_=k)
cells = '\t'.join(
['{:<12}'.format(str(True if j in categories else False)) for j in master[1:]]
)
print(out, cells)
master_categories = ['File', 'Keyword1', 'Keyword2', 'Keyword3']
soup = bs(a, 'html.parser')
categories = find_elms(soup, 'div', {'id': 'categories'})
files = find_elms(soup, 'div', {'id': 'file'})
pretty_print(master_categories, categories, files)
输出：
File Keyword1 Keyword2 Keyword3
A.jpg True True False
B.jpg True True False
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句