<HTML><body><div ID="container"><div ID="contents"><table><tbody><tr><td >####I want whatever is located here ###</td></tr></tbody></table></div></div></body></HTML>
到目前为止,我一直在尝试使用BeautifulSoup和lxml来完成这项任务,但我不知道如何处理这两个div标签和td标签,因为它们具有属性.除此之外,我不确定我是否应该更多地依赖于BeautifulSoup或lxml或两者的组合.我该怎么办？
目前,我的代码如下所示：
import re import urllib2,sys import lxml from lxml import etree from lxml.HTML.soupparser import fromstring from lxml.etree import tostring from lxml.CSSselect import CSSSelector from BeautifulSoup import BeautifulSoup,NavigableString address='@R_404_6822@://www.example.com/' HTML = urllib2.urlopen(address).read() soup = BeautifulSoup(HTML) HTML=soup.prettify() HTML=HTML.replace(' ',' ') HTML=HTML.replace('í','í') root=fromstring(HTML) 我意识到很多import语句可能是多余的,但我只是复制了我目前在更多源文件中所拥有的内容.
编辑：我想我没有说清楚,但我在页面中有多个标签,我想要刮.
解决方法 从你的问题我不清楚为什么你需要担心div标签 – 如何做：soup = BeautifulSoup(HTML)thetd = soup.find('td',attrs={'class': 'author'})print thetd.string 在您提供的HTML上,运行此命令完全发出：
####I want whatever is located here ###
这似乎是你想要的.也许你可以更准确地指定你需要的东西,这个超级简单的代码片段没有 – 你需要考虑的所有类作者的多个td标签(所有？只是一些？哪些？),可能缺少任何这样的标签(在这种情况下你想做什么),等等.很难从这个简单的例子和过多的代码中推断出你的规格到底是什么;-).
编辑：如果,根据OP的最新评论,有多个这样的td标签,每个作者一个：
thetds = soup.findAll('td',attrs={'class': 'author'})for thetd in thetds: print thetd.string ……也就是说,没有太大的难度！ – )
总结以上是内存溢出为你收集整理的涉及带有属性的HTML标记的Python Web抓取全部内容，希望文章能够帮你解决涉及带有属性的HTML标记的Python Web抓取所遇到的程序开发问题。
如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）