Beautifulsoup 无法找到名称中带有连字符的类
Posted
技术标签:
【中文标题】Beautifulsoup 无法找到名称中带有连字符的类【英文标题】:Beautifulsoup Unable to Find Classes with Hyphens in Their Name 【发布时间】:2014-10-12 01:51:38 【问题描述】:我在运行 Python 2.7.8 的 MacOSX 上使用 BeautifulSoup4。我在从以下 html 代码中提取信息时遇到困难
<tbody tabindex="0" class="yui-dt-data" id="yui_3_5_0_1_1408418470185_1650">
<tr id="yui-rec0" class="yui-dt-first yui-dt-even">
<td headers="yui-dt0-th-rank" class="rank yui-dt0-col-rank"></td>
</tr>
<tr id="yui-rec1" class="yui-dt-odd">...</tr>
<tr id="yui-rec2" class="yui-dt-even">...</tr>
</tbody>
我似乎无法抓取表格或其中的任何内容,因为 BS 和/或 python 似乎无法识别带有连字符的值。所以通常的代码,比如
Table = soup.find('tbody','class':'yui-dt-data')
或
Row2 = Table.find('tr','id':'yui-rec2')
只返回一个空对象(不是 NONE,只是空的)。我对 BS4 或 Python 并不陌生,我之前已经从这个站点提取过信息,但是现在的类名与我之前做的不同。现在一切都有连字符。有什么方法可以让 Python 识别连字符或解决方法?
我需要使我的代码具有通用性,以便我可以在多个具有相同类名的页面上运行它。不幸的是,<tbody>
中的 id
属性对于该特定表是唯一的,因此我无法使用它来跨网页识别此表。
任何帮助将不胜感激。提前致谢。
【问题讨论】:
我无法重现这个。是否有可能是 HTML 格式错误? 【参考方案1】:以下代码:
from bs4 import BeautifulSoup
htmlstring = """ <tbody tabindex="0" class="yui-dt-data" id="yui_3_5_0_1_1408418470185_1650">
<tr id="yui-rec0" class="yui-dt-first yui-dt-even">
<tr id="yui-rec1" class="yui-dt-odd">
<tr id="yui-rec2" class="yui-dt-even">"""
soup = BeautifulSoup(htmlstring)
Table = soup.find('tbody', attrs='class': 'yui-dt-data')
print("Table:\n")
print(Table)
tr = Table.find('tr', attrs='class': 'yui-dt-odd')
print("tr:\n")
print(tr)
输出:
Table:
<tbody class="yui-dt-data" id="yui_3_5_0_1_1408418470185_1650" tabindex="0">
<tr class="yui-dt-first yui-dt-even" id="yui-rec0">
<tr class="yui-dt-odd" id="yui-rec1">
<tr class="yui-dt-even" id="yui-rec2"></tr></tr></tr></tbody>
tr:
<tr class="yui-dt-odd" id="yui-rec1">
<tr class="yui-dt-even" id="yui-rec2"></tr></tr>
即使您提供的 html 本身不是有效的,但似乎 BS 正在猜测它应该是怎样的,因为 soup.prettify()
产生
<tbody class="yui-dt-data" id="yui_3_5_0_1_1408418470185_1650" tabindex="0">
<tr class="yui-dt-first yui-dt-even" id="yui-rec0">
<tr class="yui-dt-odd" id="yui-rec1">
<tr class="yui-dt-even" id="yui-rec2">
</tr>
</tr>
</tr>
</tbody>
虽然我猜这些 tr 不应该嵌套。
您能否尝试运行该确切代码并查看输出是什么?
【讨论】:
你的代码对我来说很好用。我详细查看了代码中的汤输出,看起来 BS 正在放弃或猜测名称中包含破折号的属性。例如,解析<tbody>
标记后没有任何属性,而例如,第二个 <tr>
标记被解析 <tr class="odd">
,其中前面的单词已从类名和 id
属性中删除甚至不存在。【参考方案2】:
对于试图找到解决方案以在其属性中找到带有连字符的标签的人,文档中有一个答案 https://www.crummy.com/software/BeautifulSoup/bs4/doc/#the-keyword-arguments
这段代码会报错
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
data_soup.find_all(data-foo="value")
# SyntaxError: keyword can't be an expression
你应该这样做
data_soup.find_all(attrs="data-foo": "value")
# [<div data-foo="value">foo!</div>]
【讨论】:
【参考方案3】:只需使用select
。 bs4 4.7.1
import requests
from bs4 import BeautifulSoup as bs
html = '''
<tbody tabindex="0" class="yui-dt-data" id="yui_3_5_0_1_1408418470185_1650">
<tr id="yui-rec0" class="yui-dt-first yui-dt-even">
<td headers="yui-dt0-th-rank" class="rank yui-dt0-col-rank"></td>
</tr>
<tr id="yui-rec1" class="yui-dt-odd">...</tr>
<tr id="yui-rec2" class="yui-dt-even">...</tr>
</tbody>
'''
soup = bs(html, 'lxml')
soup.select('.yui-dt-data')
【讨论】:
以上是关于Beautifulsoup 无法找到名称中带有连字符的类的主要内容,如果未能解决你的问题,请参考以下文章