У меня есть ниже блоки HTML, которые генерируются pdftotext с помощью опции -bbox-layout:

<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>

Теперь я пытаюсь динамически проанализировать вышеуказанную структуру и получить каждое содержимое <block>[...]</block>, где значения xMin и xMax находятся между двумя числами.

Представь, что у меня есть цифры ниже:

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)

Выше код ничего не возвращает, потому что нет соответствующих тегов. find_all() ищет точные совпадения для тегов block с конкретными номерами - но я пытаюсь найти теги block, где xMin и xMax:

areas[0] is between 100 and 200

areas[1] is between 200 and 612

Это возможно с BeautifulSoup?

2
oliverbj 24 Июн 2019 в 15:28

3 ответа

Лучший ответ

Замените свой код:

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

TO:

block_tags = parsed_html.find_all("block")

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

Если отладить HTML-код print(parsed_html), вы увидите html block все атрибуты в маленькой букве.

1
bharatk 24 Июн 2019 в 14:00

Пытаться

parsed_html.select("block")

И фильтровать результат с ключами "xMin" и "xMax".

Например, если вы хотите получить <block xMin="1" xMax="2"></block>, вы можете сначала получить все block теги с помощью

all_blocks = parsed_html.select("block")

И вы хотите получить один из block, у которого xMin равен 1, а xMax равен 2, вы можете сделать его следующим образом:

target = filter(lambda x: x["xMin"] == "1" and x["xMax"] == 2, all_blocks)
0
Hank Chow 24 Июн 2019 в 12:37

Вы можете выбрать <block> с атрибутами xMin и xMax с помощью селектора CSS block[xMin][xMax]. Затем вы делаете фильтрацию по списку:

data = '''<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>'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(data, 'lxml')

def blocks_min_max(soup, x_min, x_max):
    return [b for b in soup.select('block[xMin][xMax]') if float(b['xmin']) >= x_min and float(b['xmax']) <= x_max]

for b in blocks_min_max(soup, 10, 200):
    print(b.prettify())

Печать :

<block xmax="178.647000" xmin="21.600000" ymax="116.233001" ymin="86.356000">
 <line xmax="178.647000" xmin="21.600000" ymax="101.833000" ymin="86.356000">
  <word xmax="178.647000" xmin="21.600000" ymax="101.833000" ymin="86.356000">
   My text string located here!
  </word>
 </line>
</block>
0
Andrej Kesely 24 Июн 2019 в 13:00