Question

我无法使用Beautiful Soup 3和python 2.6解析HTML页面。

HTML内容是：

content='<div class="egV2_EventReportCardLeftBlockShortWidth">
<span class="egV2_EventReportCardTitle">When</span>
<span class="egV2_EventReportCardBody">
<meta itemprop="startDate" content="2012-11-23T10:00:00.0000000">
<span class='egV2_archivedDateEnded'>STARTS</span>Fri 23 Nov,10:00AM<br/>
<meta itemprop="endDate" content="2012-12-03T18:00:00.0000000">
<span class='egV2_archivedDateEnded'>ENDS</span>Mon 03 Dec,6:00PM</span>
<span class="egV2_EventReportCardBody"></span>
<div class="egV2_div_cal" onclick=" showExportEvent()">
<div class="egV2_div_cal_outerFix">
<div class="egV2_div_cal_InnerAdjust"> Cal </div>
</div></div></div>'

我希望将字符串'11月23日星期五，10：00 AM'从中间变成一个变量，用于连接，然后发送回PHP页面。

要阅读此内容，我使用以下代码：（以上内容来自html页面阅读（http://everguide.com.au/melbourne/event/2012-nov-23/life-with-bird-spring-warehouse-sale/）

import urllib2
req = urllib2.Request(URL)
response = urllib2.urlopen(req)
html = response.read()
from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(html.decode('utf-8'))
soup.prettify()
import re
for node in soup.findAll(itemprop="name"):
    n = ''.join(node.findAll(text=True)) 
for node in soup.findAll("div", { "class" : "egV2_EventReportCardLeftBlockShortWidth" }):
    d = ''.join(node.findAll(text=True))
print n,"|", d

返回：

[(ssh user)]# python testscrape.py

LIFE with BIRD Spring Warehouse Sale | 
When
<span class="egV2_EventReportCardDateTitle">STARTS</span>
STARTSFri 23 Nov,10:00AMENDSMon 03 Dec,6:00PM
<span class="egV2_EventReportCardDateTitle">ENDS</span>



 Cal 



[(ssh user)]#

（它包括所有这些换行符等）。

所以你最后可以看到，我将这两个被剥离的字符串分组到一个打印输出中，PHP中间有一个分隔符，可以将字符串读回一个字符串，然后将其分开。

问题是 - python代码可以读取该页面并存储文本，但它包含所有那些混乱PHP应用程序的垃圾和标签等。

我真的只想回来：

Fri 23 Nov,10:00AM

是因为我使用findAll（text = True）方法吗？

如何向下钻取并仅获取该div中的文本 - 而不仅仅是span标记？

非常感谢任何帮助，谢谢。

里克 - 墨尔本。

Answer 1

为什么不尝试类似

的内容

In [95]: soup = BeautifulSoup(content)

In [96]: soup.find("span", {"class": "egV2_archivedDateEnded"})
Out[96]: <span class="egV2_archivedDateEnded">STARTS</span>

In [97]: soup.find("span", {"class": "egV2_archivedDateEnded"}).next
Out[97]: u'STARTS'

In [98]: soup.find("span", {"class": "egV2_archivedDateEnded"}).next.next
Out[98]: u'Fri 23 Nov,10:00AM'

甚至

In [99]: soup.find("span", {"class": "egV2_archivedDateEnded"}).nextSibling
Out[99]: u'Fri 23 Nov,10:00AM'

Answer 2

如果您只是想提取一个易于使用特定属性识别的单个标记，那么pyparsing会使这非常简单（我会使用ISO8601时间字符串值来追踪元标记）：

from pyparsing import makeHTMLTags,withAttribute

meta = makeHTMLTags('meta')[0]
# only want matching <meta> tags if they have the attribute itemprop="startDate"
meta.setParseAction(withAttribute(itemprop="startDate"))

# scanString is a generator that yields (tokens,startloc,endloc) triples, we just 
# want the tokens
firstmatch = next(meta.scanString(content))[0]

现在转换为datetime对象，可以按照您喜欢的方式进行格式化，写入数据库，用于计算已用时间等：

from datetime import datetime
dt = datetime.strptime(firstmatch.content[:19], "%Y-%m-%dT%H:%M:%S")

print (firstmatch.content)
print (dt)

打印：

2012-11-23T10:00:00.0000000
2012-11-23 10:00:00

使用Beautiful Soup和Python解析元标记

2 个答案: