的Python/BeautifulSoup解析HTML馏分

Question

问题

1. 为什么是在最后两情况下，两个unicode的输出，但在一种情况下，它显示了级分，而在另一方面，它显示了一些其他代码代表分数？

2. 什么是最简洁的方式让我从分数到小数（-1.75）？

背景

我使用BeautifulSoup和Python阅读一些HTML.的HTML输出级分。下面是我用来测试这个问题的python代码和结果输出。在下面的代码中，我有

print type(c[0]) 
print c[0] 
print type(c[0].get_text()) 
print c[0].get_text() 
print type(re.split(" ", c[0].get_text())[0]) 
print re.split(" ", c[0].get_text()) 

这种输出：

<class 'bs4.element.Tag'> 
<b>-1¾ -101</b> 
<type 'unicode'> 
-1¾ -101 
<type 'unicode'> 
[u'-1\xbe\xa0-101'] 

Answer 1

让我们你的问题的最简单的部分出的第一方式：

当打印清单时，repr的内容用于表示列表中的项目。如此以来，

re.split(" ", c[0].get_text()) 

是一个列表，打印语句打印在列表中unicode元素的repr。

In [63]: x = u'-1\xbe\xa0-101' 

In [64]: print(x) 
-1¾ -101 

In [65]: repr(x) 
Out[65]: "u'-1\\xbe\\xa0-101'" 

---

现在到了有趣的部分：一些Unicode代码点有名字。 例如，

In [60]: import unicodedata as ud 

In [61]: ud.name(u'\xbe') 
Out[61]: 'VULGAR FRACTION THREE QUARTERS' 

其实，我们可以通过所有那些匹配的模式'FRACTION (\w+) (\w+)'其名称中的Unicode字符搜索：

import unicodedata as ud 
import re 

numerator = { 
    'ONE':1, 
    'TWO':2, 
    'THREE':3, 
    'FOUR':4, 
    'FIVE':5, 
    'SIX':6, 
    'SEVEN':7, 
    'EIGHT':8, 
    'NINE':9, 
    'ZERO':0, 
    } 

denominator = { 
    'QUARTER':4, 
    'HALF':2, 
    'SEVENTH':7, 
    'NINTH':9, 
    'THIRD':3, 
    'FIFTH':5, 
    'SIXTH':6, 
    'EIGHTH':8, 
    'SIXTEENTH':16 
    } 

fraction = {} 
for num in range(0x110000): 
    s = unichr(num) 
    try: 
     name = ud.name(s) 
    except ValueError: 
     continue 
    match = re.search('FRACTION ({n}) ({d})'.format(
     n = '|'.join(numerator.keys()), 
     d = '|'.join(denominator.keys()), 
     ) , name) 
    if match: 
     fraction[num] = unicode(
      float(numerator[match.group(1)])/denominator[match.group(2)]).lstrip('0') 
print(fraction) 

因此，我们现在有一个dict名为fraction它映射的Unicode代码指向unicode分数的十进制表示。

{8585: u'.0', 43056: u'.25', 43057: u'.5', 43058: u'.75', 43059: u'.0625', 43060: u'.125', 43061: u'.1875', 188: u'.25', 189: u'.5', 190: u'.75', 8528: u'.142857142857', 8529: u'.111111111111', 8531: u'.333333333333', 8532: u'.666666666667', 8533: u'.2', 8534: u'.4', 8535: u'.6', 8536: u'.8', 8537: u'.166666666667', 8538: u'.833333333333', 8539: u'.125', 8540: u'.375', 8541: u'.625', 8542: u'.875', 69245: u'.333333333333', 3443: u'.25', 3444: u'.5', 3445: u'.75', 69243: u'.5', 69244: u'.25', 11517: u'.5', 69246: u'.666666666667'} 

现在你可以翻译u'-1\xbe\xa0-101'这样的：

text = u'-1\xbe\xa0-101' 
print(text.translate(fraction))  

产生

-1.75 -101 

---

那么简单的答案是：

fraction = {8585: u'.0', 43056: u'.25', 43057: u'.5', 43058: u'.75', 43059: u'.0625', 43060: u'.125', 43061: u'.1875', 188: u'.25', 189: u'.5', 190: u'.75', 8528: u'.142857142857', 8529: u'.111111111111', 8531: u'.333333333333', 8532: u'.666666666667', 8533: u'.2', 8534: u'.4', 8535: u'.6', 8536: u'.8', 8537: u'.166666666667', 8538: u'.833333333333', 8539: u'.125', 8540: u'.375', 8541: u'.625', 8542: u'.875', 69245: u'.333333333333', 3443: u'.25', 3444: u'.5', 3445: u'.75', 69243: u'.5', 69244: u'.25', 11517: u'.5', 69246: u'.666666666667'} 
text = c[0].get_text() 
text = text.translate(fraction) 
parts = map(float, text.split()) 
print(parts) 

个

产量

[-1.75, -101.0] 

注意，在将来很可能更多的分数分配的Unicode码点。也可能unicode代码点的名称与我用于生成fraction字典的'FRACTION ({n}) ({d})'模式不匹配。所以我的解决方案有点脆弱，未来可能需要更新。