Question

我试图使用BeautifulSoup来解析DOM树并提取作者的名字。下面是一段HTML代码，展示了我要抓取的代码的结构。

<html>
<body>
<div class="list-authors">
<span class="descriptor">Authors:</span> 
<a href="/find/astro-ph/1/au:+Lin_D/0/1/0/all/0/1">Dacheng Lin</a>, 
<a href="/find/astro-ph/1/au:+Remillard_R/0/1/0/all/0/1">Ronald A. Remillard</a>, 
<a href="/find/astro-ph/1/au:+Homan_J/0/1/0/all/0/1">Jeroen Homan</a> 
</div>
<div class="list-authors">
<span class="descriptor">Authors:</span> 
<a href="/find/astro-ph/1/au:+Kosovichev_A/0/1/0/all/0/1">A.G. Kosovichev</a>
</div>

<!--There are many other div tags with this structure-->
</body>
</html>

我的困惑在于，当我做汤。查找时，它会找到我正在搜索的第一次出现的div标签。之后，我搜索所有'a'链接标记。在此阶段，如何从每个链接标记中提取作者姓名并将其打印出来？有没有办法使用BeautifulSoup或我需要使用正则表达式吗？如何继续迭代所有其他div标签并提取作者姓名？

import re
import urllib2,sys
from BeautifulSoup import BeautifulSoup, NavigableString
html = urllib2.urlopen(address).read()
    soup = BeautifulSoup(html)

    try:

        authordiv = soup.find('div', attrs={'class': 'list-authors'})
        links=tds.findAll('a')


        for link in links:
            print ''.join(link[0].contents)

        #Iterate through entire page and print authors


    except IOError: 
        print 'IO error'

Answer 1

只需将findAll用于您为链接执行的divs链接

用于在汤中的authordiv.findAll（'div'，attrs = {'class'：'list-authors'}）：

Answer 2

由于link已从迭代中获取，因此您无需对link进行子索引 - 您只需执行link.contents[0]。

print link.contents[0]新示例包含两个单独的<div class="list-authors">产量：

Dacheng Lin
Ronald A. Remillard
Jeroen Homan
A.G. Kosovichev

所以我不确定我是否理解有关搜索其他div的评论。如果他们是不同的课程，您需要单独执行soup.find和soup.findAll，或者只修改您的第一个soup.find。

使用Python中的BeautifulSoup解析数据

2 个答案: