获取BeautifulSoup以查找特定的<p>
发布于2019-12-03 07:47 阅读(1152) 评论(0) 点赞(30) 收藏(4)
我正在尝试为各种科学期刊网站整理一个基本的HTML抓取工具，尤其是尝试获取摘要或介绍性段落。
我正在研究的当前期刊是《自然》，我作为样本使用的文章可以在 http://www.nature.com/nature/journal/v463/n7284/abs/nature08715.html。
但是，我无法从该页面获得摘要。我正在搜索<p class="lead">...</p>标签之间的所有内容，但似乎无法弄清楚如何隔离它们。我以为这很简单
from BeautifulSoup import BeautifulSoup
import re
import urllib2
address="http://www.nature.com/nature/journal/v463/n7284/full/nature08715.html"
html = urllib2.urlopen(address).read()
soup = BeautifulSoup(html)
abstract = soup.find('p', attrs={'class' : 'lead'})
print abstract使用Python 2.5，BeautifulSoup 3.0.8，运行此命令将返回“无”。我没有选择使用任何其他需要编译/安装的选项（例如lxml）。是BeautifulSoup感到困惑，还是我？
解决方案
该html格式几乎是错误的，并且xml.dom.minidom无法解析，并且BeautiFulSoup解析无法正常工作。
我删除了一些<!-- ... -->部分，并使用BeautiFulSoup再次解析，然后它看起来更好并且可以运行soup.find('p', attrs={'class' : 'lead'})
这是我尝试的代码
>>> html =re.sub(re.compile("<!--.*?-->",re.DOTALL),"",html)
>>>
>>> soup=BeautifulSoup(html)
>>>
>>> soup.find('p', attrs={'class' : 'lead'})
<p class="lead">The class of exotic Jupiter-mass planets that orb .....所属网站分类: 技术文章 > 问答
作者：黑洞官方问答小能手
链接：https://www.pythonheidong.com/blog/article/165650/b8448e587de65699126e/
来源：python黑洞网
任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任
昵称:
评论内容：(最多支持255个字符)
---无人问津也好，技不如人也罢，你都要试着安静下来，去做自己该做的事，而不是让内心的烦躁、焦虑，坏掉你本来就不多的热情和定力