[英]Scraping with Python and Beautifulsoup
从Beautifulsoup继续-在数据列表中抓取链接时遇到麻烦
这是我使用Python / Beautifulsoup抓取的HTML的示例:
<dl>
<dd>
<strong>
<a name="45933" href="http://www.eslcafe.com/jobs/china/index.cgi?read=45933">TOP RANKING UNIVERSITY SEEKS PROFESSIONAL LECTURERS</a>
</strong>
<br>
Chongqing University -- Tuesday, 14 March 2017, at 6:58 a.m.
</dd>
<dd></dd>
<dd></dd>
<dd></dd>
</dl>
这是我的程序:
import bs4 as bs
import urllib.request
def chinaJobs():
sauce = urllib.request.urlopen('http://www.eslcafe.com/jobs/china/').read()
soup = bs.BeautifulSoup(sauce, 'html.parser')
ads = []
for dd in soup.find_all('dd'):
link = dd.a.get('href')
link_text = dd.a.text
link_text = link_text.lower()
*_, dd_text = dd.stripped_strings
if 'university' in link_text:
ads.append([link, link_text, dd_text])
for ad in ads:
for job in ad:
print(job)
print("")
chinaJobs()
我可以在<br>
标记之后获取信息,但这是错误的信息。 这是网站上的信息的样子:
排名最高的大学课程专业讲师
重庆大学-2017年3月14日,星期二,上午6:58
这是我希望输出看起来像的样子:
http://www.eslcafe.com/jobs/china/index.cgi?read=45933
top ranking university seeks professional lecturers
Chongqing University -- Tuesday, 14 March 2017, at 6:58 a.m.
这是我的输出结果:
http://www.eslcafe.com/jobs/china/index.cgi?read=45933
top ranking university seeks professional lecturers
EnglishTeacherChina.com -- Sunday, 12 February 2017, at 1:45 p.m.
这与每个输出一起打印:
EnglishTeacherChina.com-2017年2月12日,星期日,下午1:45
您为什么认为它正在执行此操作,我该如何解决?
您要查找的字符串包装在<br>
标记中,一种选择是简单地使用br
提取它:
soup.find("dd").a.text
# u'TOP RANKING UNIVERSITY SEEKS PROFESSIONAL LECTURERS'
soup.find('dd').a.get("href")
# u'http://www.eslcafe.com/jobs/china/index.cgi?read=45933'
soup.find('dd').br.text.strip()
# u'Chongqing University -- Tuesday, 14 March 2017, at 6:58 a.m.'
您可以尝试将dd_text
行更改为dd_text = dd.br.text.strip()
。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.