Question

我正在尝试从此链接中提取特定文本：

http://www1.folha.uol.com.br/fsp/mercado/index-20121030.shtml

我写了这个函数来查找和提取一段文字：

def manchete_11112011_30102012(b):
    soup = make_soup(b)
    data = [span.string for span in soup.find("font")]
    noticias = [b.text for b in soup.findAll("a")]
    return {"noticias": noticias,
            "data": data}

行。我的问题在于“数据”行。当它运行时它什么都不返回。当我写“span.string”时，它会返回“[none]”，当我写“span.text”时，它会返回 “[U”]“

这是我正在寻找的HTML代码。我需要<span id="spanLongDate">中的文字内容：

<<td width="430" align="right"><font size="1"><span id="spanLongDate">São Paulo, terça-feira, 30 de outubro de 2012</span></font><img src="images/mercado.gif" hspace="10" alt="Mercado"></td>

有没有其他方法可以提取文字？我的意思是，我写错了代码，还是文本格式不兼容？ “[你”]的意思是什么？

Answer 1

要查找id = spanLongDate，请使用以下片段

//get the span you are looking for
span = soup.find("span", attrs = {"id":"spanLongDate"}) 

//get the text out of the span
data = span.get_text()

请注意，如果您必须使用.find_all

找到多个实例，则只会获得一个实例

ETA：

根据您的以下评论我去看了一下页面来源，甚至在我的机器上运行它。这是一个功能，允许您转储beautifulsoup看到的内容。这很有用，因为有时候在浏览器中查看源代码时看不到的内容。

def dumpPage():

    url = "http://www1.folha.uol.com.br/fsp/mercado/index-20121030.shtml"
    print("url is: " + url)
    page=urllib.request.urlopen(url)

    soup = BeautifulSoup(page.read())
    print("read soup")
    print(soup)

当我打印出来并搜索＆＃34; spanLongDate＆＃34;我得到了以下感兴趣的片段。

<td align="right" width="430"><font size="1"><span id="spanLongDate"></span></font><img alt="Mercado" hspace="10" src="images/mercado.gif"/></td>

其中没有圣保罗文本。然后，我在Chrome浏览器中点击F12查找原始来源，spanLongDate <div>中也没有文字。

也许页面已更新？

Answer 2

如果你只想要日期，你应该在其他地方寻找它。如果您丢弃汤然后搜索2012，您将在许多地方看到它。使用以下代码很容易将其从标题中删除。

url = "http://www1.folha.uol.com.br/fsp/mercado/index-20121030.shtml"
page=urllib.request.urlopen(url)
soup = BeautifulSoup(page.read())
theDateTag = soup.find("title")
theDateString = theDateTag.get_text()
print(theDateString)

使用Python和BeautifulSoup刮擦跨度不返回任何内容

2 个答案: