无法打印python中列表中的所有项目

Question

我正在努力学习如何进行网页抓取，并且它不会以我希望它会有的格式出现。 这是我遇到的问题：

import urllib
import re

pagelist = ["page=1","page=2","page=3","page=4","page=5","page=6","page=7","page=8","page=9","page=10"]
ziplocations = ["=30008","=30009"]

i=0
while i<len(pagelist):
    url = "http://www.boostmobile.com/stores/?" +pagelist[i]+"&zipcode=30008"
    htmlfile = urllib.urlopen(url)
    htmltext = htmlfile.read()
    regex = '<h2 style="float:left;">(.+?)</h2>' 
    pattern = re.compile(regex)
    storeName = re.findall(pattern,htmltext)
    print "Store Name=", storeName[i]
    i+=1

此代码产生以下结果：Store Name = Boost Mobile store by wireless depot Store Name = Wal-Mart .....等10个不同的商店，我假设这是因为

while i<len(pagelist):

只有=到十

所以它只打印出十个商店而不是所有页面上列出的所有商店。

当我将第二行更改为最后一行时

print storeName

它将打印出每个页面上列出的每个商店名称，但不是上面的格式，但是像这样：'通过无线仓库提升移动商店'，'通过kob wireless提升移动商店'，'marietta check chashing services'，....等等约120个条目。 所以我如何得到所需的格式：“Store Name = ....”而不是：'name'，'name'，.....

Answer 1

不要使用正则表达式解析HTML。 使用专门的工具 - HTML Parser 。

以下是使用BeautifulSoup的解决方案：

import urllib2
from bs4 import BeautifulSoup

base_url = "http://www.boostmobile.com/stores/?page={page}&zipcode={zipcode}"
num_pages = 10
zipcode = 30008

for page in xrange(1, num_pages + 1):
    url = base_url.format(page=page, zipcode=zipcode)
    soup = BeautifulSoup(urllib2.urlopen(url))

    print "Page Number: %s" % page
    results = soup.find('table', class_="results")
    for h2 in results.find_all('h2'):
        print h2.text

它打印：

Page Number: 1
Boost Mobile Store by Wireless Depot
Boost Mobile Store by KOB Wireless
Marietta Check Cashing Services
...
Page Number: 2
Target
Wal-Mart
...

如您所见，首先我们找到一个带有results类的table标记 - 这就是商店名称的实际位置。 然后，在table我们找到所有的h2标签。 这比依赖标记的style属性更强大。

---

您也可以使用SoupStrainer 。 它会提高性能，因为它只解析您指定的文档部分：

required_part = SoupStrainer('table', class_="results")
for page in xrange(1, num_pages + 1):
    url = base_url.format(page=page, zipcode=zipcode)
    soup = BeautifulSoup(urllib2.urlopen(url), parse_only=required_part)

    print "Page Number: %s" % page
    for h2 in soup.find_all('h2'):
        print h2.text

这里我们说：“只用table results解析table标签。然后给我们里面的所有h2标签。”

此外，如果您想提高性能，可以让BeautifulSoup使用lxml解析器 ：

soup = BeautifulSoup(urllib2.urlopen(url), "lxml", parse_only=required_part) 

希望有所帮助。

Answer 2

storeName是一个数组，您需要遍历它。 目前，您使用页码在每个页面上索引一次，这可能不是您的意图。

这是您的代码的正确版本，添加了循环。

import urllib
import re

pagelist = ["page=1","page=2","page=3","page=4","page=5","page=6","page=7","page=8","page=9","page=10"]
ziplocations = ["=30008","=30009"]

i=0
while i<len(pagelist):
    url = "http://www.boostmobile.com/stores/?" +pagelist[i]+"&zipcode=30008"
    htmlfile = urllib.urlopen(url)
    htmltext = htmlfile.read()
    regex = '<h2 style="float:left;">(.+?)</h2>' 
    pattern = re.compile(regex)
    storeName = re.findall(pattern,htmltext)
    for sn in storeName:
        print "Store Name=", sn
    i+=1