Comment imprimer des valeurs nulles en python si un texte n'est pas trouvé dans une page HTML ?

Question

J'ai besoin d'un moyen de rendre une valeur nulle et de l'ajouter à une liste en python lorsque du texte est manquant dans une page Html.

Les données brutes rendues en Html sont les suivantes :

  <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">TICKER: </SPAN><SPAN CLASS="c2">FB (NASDAQ) (57%); </SPAN><SPAN CLASS="c4">AXP</SPAN><SPAN CLASS="c2"> (NYSE) (54%)</SPAN></P>
    </DIV>
  <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">INDUSTRY: </SPAN><SPAN CLASS="c2">NAICS511110 NEWSPAPER PUBLISHERS (61%); SIC2711 NEWSPAPERS: PUBLISHING, OR PUBLISHING &amp;</SPAN></P>
  </DIV>
  <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">LOAD-DATE: </SPAN><SPAN CLASS="c2">November 7, 2016</SPAN></P>
<!-- Hide XML section from browser
</DOCFULL>
    </DOC> -->
    <DIV CLASS="c10">&nbsp;</DIV>
    <A NAME="DOC_ID_0_2"></A><!-- Hide XML section from browser
    <DOC NUMBER=3>
    <DOCFULL> -->
    <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">TICKER: </SPAN><SPAN CLASS="c2">CS (PAR) (91%); AXJ (ASX) (91%); AXA (BIT) (91%); </SPAN><SPAN CLASS="c4">AXP</SPAN><SPAN CLASS="c2"> (NYSE) (57%)</SPAN></P>
    </DIV>
    <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">COUNTRY: </SPAN><SPAN CLASS="c2">UNITED KINGDOM (88%)</SPAN><SPAN CLASS="c2">&nbsp;</SPAN><SPAN CLASS="c2">United Kingdom GB</SPAN></P>
    </DIV>
    <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">REGION: </SPAN><SPAN CLASS="c2">Europe; EU; Western Europe</SPAN></P>
    </DIV>
    <BR><DIV CLASS="c5"><P CLASS="c6"><SPAN CLASS="c8">LOAD-DATE: </SPAN><SPAN CLASS="c2">May 12, 2016</SPAN></P>

J'ai besoin d'écrire les valeurs du texte entre les balises, qui sont ; TICKER , INDUSTRY , COUNTRY , REGION y LOAD-DATE en deux listes distinctes.

• L'ensemble 1 doit contenir TICKER , INDUSTRY y LOAD-DATE .
• L'ensemble 2 doit contenir COUNTRY y REGION .

Si COUNTRY est manquant dans le texte, je dois ajouter une entrée contenant un Null à la liste correspondante.

Exemple

• La première liste de balises Html ne contient pas COUNTRY et ainsi de suite NULL doit être stocké
• La deuxième liste de balises Html contient COUNTRY et ainsi de suite United Kingdom doivent être stockées.

Le résultat devrait devenir :

['Null', 'United Kingdom\nUnited Kingdom GB']

Les solutions que j'ai essayées sont les suivantes :

countrypattern="\<SPAN CLASS=\"c8\"\>COUNTRY: </SPAN><SPAN CLASS=\"c2\"\>(.*)\</SPAN>"
countrypatternvalues=[a.strip("*") for a in re.findall(countrypattern,response)]
if not countrypatternvalues:
     countrypatternvalues.append(None)
countryvalues = re.sub(cleanr, '', str(countrypatternvalues))

Veuillez m'aider à résoudre ce problème.

Answer 1

Vous êtes ici :

import re

res = re.findall(r"""<SPAN CLASS="c8">([A-Z]+): *</SPAN><SPAN CLASS="c2">([^<]*)</SPAN>""",html)

class Items(object):
    def __init__(self):
        # list of items
        self.items = []             

    def add_item(self, name, value):
        if (not self.items) or (name in self.items[-1]):
            self.items.append({})
        self.items[-1][name] = value

    def get_list(self, key):
        return [ item[key] if key in item else None for item in self.items ]         

items = Items()

for item in res:
    items.add_item(item[0], item[1])

print items.get_list('COUNTRY')

Cela fonctionne s'il n'y a pas de doublons de noms dans les groupes, car les doublons engendrent un autre groupe.

Answer 2

J'ai édité un jsFiddle que j'ai trouvé pour vous donner un exemple de la façon dont cela peut être fait en utilisant split(':')

http://jsfiddle.net/4XumV/29/