如何拆分Beautiful Soup爬取的航班字符串：提取时间、城市等信息

我用Beautiful Soup结合Selenium爬取航班信息时，得到了拼接在一起的字符串：

1:25Allahabad01 h 50 m Non stop13:15Pune
12:40Allahabad07 h 25 m 1 stop via New Delhi20:05Pune

希望拆分成如下格式：

['1:25', 'Allahabad', '01 h 50 m', 'Non stop', '13:15', 'Pune']
['12:40', 'Allahabad', '07 h 25 m', '1 stop via New Delhi', '20:05', 'Pune']

城市名称可能会变化，我考虑用正则但不太熟练，想找更优的实现方案。当前获取字符串的代码如下：

driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()), options=options)
url = "https://www.makemytrip.com/flight/search?itinerary=IXD-PNQ-14/07/2022&tripType=O&paxType=A-2_C-0_I-0&intl=false&cabinClass=E&ccde=IN&lang=eng"
driver.get(url)
body = driver.page_source
driver.quit()  # Browser Closed.
soupBody = BeautifulSoup(body)  # Parse the inner HTML using BeautifulSoup
for el in soupBody.find_all('div', attrs={'class': 'timingOptionOuter'}):
    print(el.get_text())

方案一：直接解析HTML子元素（更可靠） #

不要直接提取容器的完整文本，而是定位timingOptionOuter下的各个子元素，分别获取对应字段内容。这种方式完全不需要处理拼接字符串，准确率更高，也不受城市名格式变化影响：

driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()), options=options)
url = "https://www.makemytrip.com/flight/search?itinerary=IXD-PNQ-14/07/2022&tripType=O&paxType=A-2_C-0_I-0&intl=false&cabinClass=E&ccde=IN&lang=eng"
driver.get(url)
body = driver.page_source
driver.quit()
soupBody = BeautifulSoup(body, 'html.parser')

for el in soupBody.find_all('div', attrs={'class': 'timingOptionOuter'}):
    # 提取各字段内容（类名需根据当前页面实际结构调整）
    dep_time = el.find('div', class_='departureTime').get_text(strip=True)
    dep_city = el.find('div', class_='departureCity').get_text(strip=True)
    duration = el.find('div', class_='duration').get_text(strip=True)
    stops = el.find('div', class_='stopInfo').get_text(strip=True)
    arr_time = el.find('div', class_='arrivalTime').get_text(strip=True)
    arr_city = el.find('div', class_='arrivalCity').get_text(strip=True)
    
    result = [dep_time, dep_city, duration, stops, arr_time, arr_city]
    print(result)

提示：网站类名可能随版本更新变化，建议通过浏览器开发者工具确认当前页面的实际元素类名。

方案二：正则表达式拆分（处理已有的拼接文本） #

如果必须处理已获取的拼接字符串，可以基于各字段的格式特征编写正则：

• 时间：\d{1,2}:\d{2}（1-2位数字+冒号+2位数字）
• 城市：首字母大写的连续字母或带空格的多段名称
• 时长：\d{1,2} h \d{2} m
• 中转信息：包含stop的文本片段

示例代码：

import re

texts = [
    "1:25Allahabad01 h 50 m Non stop13:15Pune",
    "12:40Allahabad07 h 25 m 1 stop via New Delhi20:05Pune"
]

# 适配含空格的城市名的正则
pattern = r'(\d{1,2}:\d{2})([A-Z][a-z]+)(\d{1,2} h \d{2} m)(.*?)(\d{1,2}:\d{2})([A-Z][a-z]+(?: [A-Z][a-z]+)*)'
for text in texts:
    match = re.match(pattern, text)
    if match:
        result = list(match.groups())
        print(result)

内容的提问来源于stack exchange，提问作者vineet singh