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?
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 .....
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
Copyright © 2018-2021 python黑洞网 All Rights Reserved 版权所有,并保留所有权利。 京ICP备18063182号-1
投诉与举报,广告合作请联系vgs_info@163.com或QQ3083709327
免责声明:网站文章均由用户上传,仅供读者学习交流使用,禁止用做商业用途。若文章涉及色情,反动,侵权等违法信息,请向我们举报,一经核实我们会立即删除!