使用 Beautiful Soup 在 python 中解析网页

Posted 2023-02-23

【中文标题】使用 Beautiful Soup 在 python 中解析网页

【英文标题】：Parsing web page in python using Beautiful Soup

【发布时间】：2012-06-29 09:08:59

【问题描述】：

我在从网站获取数据时遇到了一些麻烦。网站源码在这里：

view-source:http://release24.pl/wpis/23714/%22La+mer+a+boire%22+%282011%29+FRENCH.DVDRip.XviD-AYMO

有这样的：

INFORMACJE O FILMIE

Tytuł.................................................. .....: La mer à boireOcena ..................................... .....: IMDB - 6.3/10 (24)Produkcja ...................... ......: FrancjaGatunek...................................... .: DramatCzas 特鲁瓦尼亚…………………………………………………………………………………………………… 98 min.Premiera.................................................: 22.02.2012 - ŚwiatReżyseria.......................................: Jacques MaillotScenariosz...... ....................................: 皮埃尔·乔森，雅克·马洛阿克托兹...... ..................................：丹尼尔·奥特伊、莫德·怀勒、扬·特雷古埃、 阿兰·贝格尔

我想从这个网站获取数据以获得一个 Python 字符串列表：

[[Tytuł, "La mer à boire"]
[Ocena, "IMDB - 6.3/10 (24)"]
[Produkcja, Francja]
[Gatunek, Dramat]
[Czas trwania, 98 min.]
[Premiera, "22.02.2012 - Świat"]
[Reżyseria, "Jacques Maillot"]
[Scenariusz, "Pierre Chosson, Jacques Maillot"]
[Aktorzy, "Daniel Auteuil, Maud Wyler, Yann Trégouët, Alain Beigel"]]

我使用 BeautifulSoup 编写了一些代码，但我不能再进一步了，我只是不知道从网站源代码中获取什么以及如何转换为字符串... 请帮忙！

我的代码：

    # -*- coding: utf-8 -*-
#!/usr/bin/env python

import urllib2
from bs4 import BeautifulSoup

try :
    web_page = urllib2.urlopen("http://release24.pl/wpis/23714/%22La+mer+a+boire%22+%282011%29+FRENCH.DVDRip.XviD-AYMO").read()
    soup = BeautifulSoup(web_page)
    c = soup.find('span', 'class':'vi').contents
    print(c)
except urllib2.HTTPError :
    print("HTTPERROR!")
except urllib2.URLError :
    print("URLERROR!")

【问题讨论】：

html 是结构化的 - 如果您查看页面的源代码，您会注意到模式（查找类/或 div 后面的 h2 等...），然后尝试工作找出您需要什么逻辑来提取数据，如果您在编写代码时仍有问题，有人将能够提供帮助

好点：）我是这样写的：||c = soup.find('span', 'class':'vi').contents||但它只找到第一个“跨度”元素，但其余元素呢？如何将它们取出并转换为字符串值？

看看soup.findAll

【参考方案1】：

使用 BeautifulSoup 的秘诀是找到 HTML 文档的隐藏模式。例如，你的循环

for ul in soup.findAll('p') :
    print(ul)

方向正确，但它会返回所有段落，而不仅仅是您要查找的段落。但是，您要查找的段落具有类i 的有用属性。在这些段落中，您可以找到两个跨度，一个具有 i 类，另一个具有 vi 类。我们很幸运，因为这些跨度包含您要查找的数据：

<p class="i">
    <span class="i">Tytuł............................................</span>
    <span class="vi">: La mer à boire</span>
</p>

所以，首先获取给定类的所有段落：

>>> ps = soup.findAll('p', 'class': 'i')
>>> ps
[<p class="i"><span class="i">Tytuł... <LOTS OF STUFF> ...pan></p>]

现在，使用list comprehensions，我们可以生成一个对列表，其中每对包含段落中的第一个和第二个跨度：

>>> spans = [(p.find('span', 'class': 'i'), p.find('span', 'class': 'vi')) for p in ps]
>>> spans
[(<span class="i">Tyt... ...</span>, <span class="vi">: La mer à boire</span>), 
 (<span class="i">Ocena... ...</span>, <span class="vi">: IMDB - 6.3/10 (24)</span>),
 (<span class="i">Produkcja.. ...</span>, <span class="vi">: Francja</span>),
 # and so on
]

现在我们有了 span，我们可以从中获取文本：

>>> texts = [(span_i.text, span_vi.text) for span_i, span_vi in spans]
>>> texts
[(u'Tytu\u0142............................................', u': La mer \xe0 boire'),
 (u'Ocena.............................................', u': IMDB - 6.3/10 (24)'),
 (u'Produkcja.........................................', u': Francja'), 
  # and so on
]

那些文字仍然不好，但很容易纠正它们。要删除第一个中的点，我们可以使用rstrip()：

>>> u'Produkcja.........................................'.rstrip('.')
u'Produkcja'

: 字符串可以用lstrip() 删除：

>>> u': Francja'.lstrip(': ')
u'Francja'

要将其应用于所有内容，我们只需要另一个列表推导：

>>> result = [(text_i.rstrip('.'), text_vi.replace(': ', '')) for text_i, text_vi in texts]
>>> result
[(u'Tytu\u0142', u'La mer \xe0 boire'),
 (u'Ocena', u'IMDB - 6.3/10 (24)'),
 (u'Produkcja', u'Francja'),
 (u'Gatunek', u'Dramat'),
 (u'Czas trwania', u'98 min.'),
 (u'Premiera', u'22.02.2012 - \u015awiat'),
 (u'Re\u017cyseria', u'Jacques Maillot'),
 (u'Scenariusz', u'Pierre Chosson, Jacques Maillot'),
 (u'Aktorzy', u'Daniel Auteuil, Maud Wyler, Yann Trégouët, Alain Beigel'),
 (u'Wi\u0119cej na', u':'),
 (u'Trailer', u':Obejrzyj zwiastun')]

就是这样。我希望这个循序渐进的例子能让你更清楚地使用 BeautifulSoup。

【讨论】：

天哪，非常感谢您的解释：）我会做更多的练习。我想，问题解决了。谢谢大家:)

【参考方案2】：

这将为您提供您想要的列表，您必须编写一些代码来摆脱尾随的 '....' 并转换字符串。

    import urllib2
    from bs4 import BeautifulSoup

     try :
 web_page = urllib2.urlopen("http://release24.pl/wpis/23714/%22La+mer+a+boire%22+%282011%29+FRENCH.DVDRip.XviD-AYMO").read()
soup = BeautifulSoup(web_page)
LIST = []
for p in soup.findAll('p'):
    s = p.find('span', "class" : 'i' )
    t = p.find('span', "class" : 'vi' )
    if s and t:
        p_list = [s.string,t.string]
        LIST.append(p_list)

除了 urllib2.HTTPError ： 打印（“HTTP错误！”） 除了 urllib2.URLError ： print("URLERROR!")