beautifulSoup soup.select() 为 css 选择器返回空

Question

我正在尝试解析来自该站点https://news.ycombinator.com/的一些链接

我想 select 一个特定的表

document.querySelector("#hnmain > tbody > tr:nth-child(3) > td > table")

我知道 bs4 的 css 选择器限制。 但问题是我什至不能像#hnmain > tbody with soup.select('#hnmain > tbody')这样简单的 select 因为它返回空

使用下面的代码，我无法解析 tbody 而使用 js 我做了（截图）

from bs4 import BeautifulSoup
import requests
print("-"*100)
print("Hackernews parser")
print("-"*100)
url="https://news.ycombinator.com/"
res=requests.get(url)
html=res.content
soup=BeautifulSoup(html)
table=soup.select('#hnmain > tbody')
print(table)

出去：

soup=BeautifulSoup(html)
[]

Answer 1

而不是通过正文和表格为什么不直接到链接 go 呢？ 我对此进行了测试，效果很好：

links=soup.select('a',{'class':'storylink'})

如果你想要表格，因为每页只有一个，你不需要 go 通过其他元素 - 你可以 go 直接到它。

table = soup.select('table')

Answer 2

我没有从 beautifulsoup 或 curl 脚本中获得 html 标签tbody 。 它的意思是

soup.select('tbody')

返回空列表。 这与您获得空列表的原因相同。

要提取您正在寻找的链接，只需执行

soup.select("a.storylink")

它将从站点获取您想要的链接。

Answer 3

数据以 3 行为一组排列，其中第三行是用于间隔的空行。 循环顶部行并使用 next_sibling 在每个点获取关联的第二行。 BS4 4.7.1+

from bs4 import BeautifulSoup as bs
import requests

r = requests.get('https://news.ycombinator.com/')
soup = bs(r.content, 'lxml')
top_rows = soup.select('.athing')

for row in top_rows:
    title = row.select_one('.storylink')
    print(title.text)
    print(title['href'])
    print('https://news.ycombinator.com/' + row.select_one('.sitebit a')['href'])
    next_row = row.next_sibling
    print(next_row.select_one('.score').text)
    print(next_row.select_one('.hnuser').text)
    print(next_row.select_one('.age a').text)
    print(next_row.select_one('a:nth-child(6)').text)
    print(100*'-')