Skip to main content
 首页 » 编程设计

Python3之BeautifulSoup之获取两个标签之间的值,其中值介于

2024年11月24日11lori

我有以下由 pdftotext 生成的 HTML block 使用 -bbox-layout选项:

<flow> 
<block xMin="21.600000" yMin="86.356000" xMax="178.647000" yMax="116.233001"> 
    <line xMin="21.600000" yMin="86.356000" xMax="178.647000" yMax="101.833000"> 
        <word xMin="21.600000" yMin="86.356000" xMax="178.647000" yMax="101.833000"> 
            My text string located here!</word> 
    </line> 
 
</block> 
</flow> 
 
[...] 
<flow> 
<block xMin="223.560000" yMin="323.675000" xMax="345.563500" yMax="339.855500"> 
    <line xMin="223.560000" yMin="323.675000" xMax="345.563500" yMax="339.855500"> 
        <word xMin="223.560000" yMin="323.675000" xMax="316.836500" yMax="339.855500">Another string 
        </word> 
        <word xMin="320.022000" yMin="323.675000" xMax="345.563500" yMax="339.855500">And another!</word> 
    </line> 
</block> 
</flow> 

现在,我正在尝试动态解析上述结构,并获取每个 <block>[...]</block>内容,其中值 xMin和 xMax介于两个数字之间。

假设我有以下数字:

areas[0] = (100, 0, 200, 792) 
areas[1] = (200, 0, 612, 792) 
 
with open(path_to_html_document) as html_file: 
    parsed_html = BeautifulSoup(html_file) 
    for (i, area) in enumerate(areas): 
 
        xMinValue, xMaxValue = areas[i][0], areas[i][2] 
 
        block_tags = parsed_html.find_all( 
            "block", attrs={"xMin": xMinValue, "xMax": xMaxValue}) 
 
        print(block_tags) 

上面的代码没有返回任何东西,因为没有匹配的标签。 find_all()搜索 block 的完全匹配项带有特定数字的标签 - 但我正在尝试搜索 block标签,其中 xMin 和 xMax 是:

areas[0] is between 100 and 200 
 
areas[1] is between 200 and 612 

BeautifulSoup 可以吗?

请您参考如下方法:

替换你的代码:

block_tags = parsed_html.find_all( 
            "block", attrs={"xMin": xMinValue, "xMax": xMaxValue}) 
print(block_tags) 

收件人:

block_tags = parsed_html.find_all("block") 
 
for block in block_tags: 
    if float(block['xmin']) >= xMinValue and  float(block['xmax']) <= xMinValue: 
        print(block) 

如果调试 html 代码 print(parsed_html),您将看到 html block all attribute in small letter.