Python从静态htmlfi中获取值

Question

我有一个HTML文件，我可以用Python卷曲和下载。但是，我不知道如何从中获得我想要的数据。我用BS从XML文件中获取值，但从来没有这样的东西。以下是我试图阅读和获取的文件部分：

<script>
var AC = {};
AC.org_json = 
{
    "id": "manager",
    "children": [
        {
            "id": "employee1",
            "children": [],
            "data": {
                "direct_reports": 0,
                "badge_color": "F",
                "badge_url": "https://someurl",
                "full_name": "Employee1 Name",
                "job_title": "Employee Job Title",
                "department_name": "IT",
                "building": "SITE1",
                "phone": null,
                "expanded": false
            }
        },
        {
            "id": "employee2",
            "children": [],
            "data": {
                "direct_reports": 0,
                "badge_color": "F",
                "badge_url": "https://someurl",
                "full_name": "Employee2 Name",
                "job_title": "Employee Job Title",
                "department_name": "IT",
                "building": "SITE1",
                "phone": null,
                "expanded": false
            }
        },
      ......continues for however many entries there are.
</script>

目标是获取每个条目的“id”和“职务”。我只是需要一些帮助，从正确的方向开始。感谢您的帮助。非常感谢。你知道吗

编辑： 我能够从HTML文件中分离出标签中的数据。你知道吗

from bs4 import BeautifulSoup
#opens data file
get_data = open(html,'r').read()
soup = BeautifulSoup(get_data)
title = soup.find("div", id="content")
json_data = title.find_next("script")
print json_data

它给出了上面的精确输出。下一个问题是如何从这些数据中获取值？ 如果我这样做了：

data = json.loads(json_data)
print data

然后我得到：ValueError: No JSON object could be decoded

Answer 1

我会这么做：

1. 使用BeautifulSoup4解析HTML文件
2. 运行soup.find_all('script')获取所有脚本标记。你知道吗
3. 遍历脚本标记列表，提取它们的文本，将文本传递给json.loads()，然后从dictionary获取返回的值。你知道吗

如果你知道只有一个脚本标签，#3很简单。如果可能有其他脚本块包含大量的非jsonjavascript，那么通常需要使用一些regex或try/catch块，因为如果传递一个非JSON的字符串，try/catch块可能会出错。你知道吗

Answer 2

您正试图从另一种语言（HTML）中解析javascript字典（JSON），因此理想情况下，您可以使用真正的解析器加载HTML，然后使用真正的解析器加载javascript，但是如果您完全了解自己的文件格式，那么您可以修改一些regex来删除除JSON之外的所有内容，然后使用json.loads文件（）将其解析为python字典。你知道吗