使用 BeautifulSoup 遍历 XML 并拉取下一个兄弟

Question

我已将 PDF 转换为 XML 以便于解析。我的 XML 示例如下：<LTTextLineHorizontal bbox="[58.501, 729.764, 78.501, 737.764]" height="8.0" width="20.0" word_margin="0.1" x0="58.501" x1="78.501" y0="729.764" y1="737.764"><LTTextBoxHorizontal bbox="[58.501, 729.764, 78.501, 737.764]" height="8.0" index="13" width="20.0" x0="58.501" x1="78.501" y0="729.764" y1="737.764">Date: </LTTextBoxHorizontal></LTTextLineHorizontal><LTTextLineHorizontal bbox="[107.249, 730.004, 147.281, 738.004]" height="8.0" width="40.032" word_margin="0.1" x0="107.249" x1="147.281" y0="730.004" y1="738.004"><LTTextBoxHorizontal bbox="[107.249, 730.004, 147.281, 738.004]" height="8.0" index="14" width="40.032" x0="107.249" x1="147.281" y0="730.004" y1="738.004">02/26/2020 </LTTextBoxHorizontal></LTTextLineHorizontal>“日期：”在一行上，下一个兄弟（我认为这就是它的名字）的值是“02/26/2020”。我试过了：from bs4 import BeautifulSoupxml = open("test3.xml").read()soup = BeautifulSoup(xml)print(soup.find(text="Date:").findNext('LTTextLineHorizontal').contents[0])我得到错误：AttributeError: 'NoneType' object has no attribute 'findNext'我的目标是遍历 XML 并提取所需的变量（即日期）并将它们放入数据框中。但我什至还没有走到那一步。输出可能是字典或日期字符串：02/26/2020

Answer 1

使用正则表达式re。

import re

from bs4 import BeautifulSoup

xml = open("test3.xml").read()

soup = BeautifulSoup(xml,'lxml')

print(soup.find('lttextboxhorizontal',text=re.compile("Date:")).find_next('lttextboxhorizontal').text)

或者

import re

from bs4 import BeautifulSoup

xml = open("test3.xml").read()

soup = BeautifulSoup(xml,'lxml')

print(soup.find(text=re.compile("Date:")).find_next('lttextboxhorizontal').text)

您可以在没有正则表达式的情况下执行此操作，也可以放置一个空格。

from bs4 import BeautifulSoup

xml = open("test3.xml").read()

soup = BeautifulSoup(xml,'lxml')

print(soup.find(text="Date: ").find_next('lttextboxhorizontal').text)