Beautifulsoup找不到文字

Question

我正在尝试使用urllib和漂亮的汤在python中编写一个刮板。 我有一个csv URL，用于新闻报道，大约80％的页面都适用于该抓取工具，但当新闻顶部有图片时，脚本将不再花费时间或正文。 我大多感到困惑，因为汤.find和汤.find_all似乎不会产生不同的结果。 我尝试了各种不同的标记，这些标记应该捕获文本以及“ lxml”和“ html.parser”。

这是代码：

testcount = 0
titles1 = []
bodies1 = []
times1 = []

data = pd.read_csv('URLsALLjun27.csv', header=None)
for url in data[0]:
try:
    html = urllib.request.urlopen(url).read()
    soup = BeautifulSoup(html, "lxml")

    titlemess = soup.find(id="title").get_text() #getting the title
    titlestring = str(titlemess) #make it a string
    title = titlestring.replace("\n", "").replace("\r","")
    titles1.append(title)

    bodymess = soup.find(class_="article").get_text() #get the body with markup
    bodystring = str(bodymess) #make body a string
    body = bodystring.replace("\n", "").replace("\u3000","") #scrub markup
    bodies1.append(body) #add to list for export

    timemess = soup.find('span',{"class":"time"}).get_text()
    timestring = str(timemess)
    time = timestring.replace("\n", "").replace("\r","").replace("年", "-").replace("月","-").replace("日", "")
    times1.append(time)

    testcount = testcount +1 #counter
    print(testcount)
except Exception as e:
    print(testcount, e)

这是我得到的一些结果（标有“ nonetype”的是成功提取标题但正文/时间为空的结果）

1 http://news.xinhuanet.com/politics/2016-06/27/c_1119122255.htm

2 http://news.xinhuanet.com/politics/2016-05/22/c_129004569.htm'NoneType '对象没有属性'get_text'

任何帮助将非常感激！ 谢谢。

编辑：我没有'10信誉点'，所以我不能发布更多链接进行测试，但是如果您需要更多页面示例，将会与他们发表评论。

Answer 1

问题是网站上没有带图片的class="article" ，也没有带有"class":"time" 。 因此，似乎您必须检测网站上是否有图片，然后如果有图片，请按以下方式搜索日期和文本：

对于日期，请尝试：

timemess = soup.find(id="pubtime").get_text()

对于正文，文章似乎只是图片的标题。 因此，您可以尝试以下操作：

bodymess = soup.find('img').findNext().get_text()

简而言之， soup.find('img')找到图像， findNext()转到下一个包含文本的块。

因此，在您的代码中，我将执行以下操作：

try:
    bodymess = soup.find(class_="article").get_text()

except AttributeError:
    bodymess = soup.find('img').findNext().get_text()

try:
    timemess = soup.find('span',{"class":"time"}).get_text()

except AttributeError:
    timemess = soup.find(id="pubtime").get_text()

作为Web抓取的一般流程，我通常使用浏览器访问网站本身，并首先在浏览器中找到网站后端中的元素。