如何使用Python从网站中提取逗号、句点或colin之前的所有文本

Question

当从网站中提取时，我试图将两个地址行拆分为两个不同的变量，但有些位置只有一个地址。我发现两个地址行之间通常有逗号、科林或句点。我正在提取所有位置，该网站就是一个有两条地址线的位置示例。在这种情况下，地址1是铁杉路2号，第二个地址是邮政信箱904号。在没有2个地址的其他情况下，地址2应为空

这是网站：https://www.winmar.ca/find-a-location/#267

这是Python代码，也是网站的html

location_address1 = soup.select_one(f"[data-id='{num}'] .heading:contains('Address') + p").contents[0].strip()
location_address2 = ','.join(location_address1.split(',|.|:')[1:]) 
<p>
2 Hemlock Rd. PO Box 904
<br>
Corner Brook, NL
<br>
A2H 6J2
</p>

Answer 1

您可以确定行的长度，并相应地将文本解析为变量。见下面的例子

num = 267
location_address = soup.select_one(f"[data-id='{num}'] .heading:contains('Address') + p")
print(location_address)

#Determine the number of address lines
print(len(location_address.find_all('br')))

TotalLines = len(location_address.find_all('br'))
line1 =''
line2=''
if TotalLines >1:
    line1 = location_address.contents[0]
    line2 = location_address.contents[2]
else:
    line1 = location_address.contents[0]

print('Address Line1:',line1)
print('Address Line2:',line2)

输出：

地址行1： 铁杉路2号邮政信箱904 地址行2： 角溪，NL

Answer 2

您需要选择更好的HTML，这里是解决方案。我使用了CSS选择器，因为它更准确；因为没有xPath在您的服务器上。在得到所有我们需要的东西后，将对象转换为文本，然后围绕可用的内容工作；然后在这里，我们分割行并删除换行符以获得更好的缩进

Note: This has been tested and runs correctly.

运行代码：

import requests
from bs4 import BeautifulSoup

page = requests.get("https://www.winmar.ca/find-a-location/#267")

soup = BeautifulSoup(page.content, 'html.parser')

address = soup.select('#box-309 > div:nth-child(2) > p:nth-child(5)')

text = address[0].get_text()
print(text)

产出：

 358 Keltic Drive Sydney River ,NS B1R 1V7