Question

我想在段落标签中抓取信息。

标记中还包含其他一些标记。我将在下面的代码中向您展示。

这是

这是要抓取的html页面：

<div class="thecontent">
<p>Here&rsquo;s the schedule of matches for the weekend.</p>
<p>&nbsp;</p>
<p><strong>Saturday, August 17</strong></p>

<p>Achara vs. Buad, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>

<p>pritos vs. baola, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>


<p>timpao vs. quadrsa, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>

<p><strong>Sunday, August 18</strong></p>



<p>Achara vs. timpao, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>

<p>pritos vs. qaudra, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>


<p>timpao vs. Buad, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>
<p>&nbsp;</p>
<p><strong>Monday, August 19</strong></p>


<p>Achara vs. Buad, <a href="@">ftv</a>, <a href="https://someothertv">HTlive</a>, <a href="http://www.anothertv target="_blank">Se</a> &mdash;&nbsp;Have enjoy it and celebrate it</p>
</p>
<p>&nbsp;</p></div></body></html>

我使用了以下python代码：

import bs4,requests

getnwp = requests.get('https://url')
nwpcontent = getnwp.content
sp2 = bs4.BeautifulSoup(nwpcontent, 'html5lib')
pta = sp2.find('div', class_ = 'thecontent').find_all('p')
        for i in range(len(pta)):
            if pta[i].get_text().find("vs") != -1:
                print (pta[i].get_text())

利用上述信息，我只想提取团队之间的比赛及其发生的日期。以及如下所示的小消息：

8月17日，星期六

Achara vs. timpao，享受它并庆祝它

pritos vs. baola，—享受它并庆祝它

timpao vs. Quadrsa，请尽情享受并庆祝它

8月18日，星期日

Achara vs. timpao，享受它并庆祝它

pritos vs. qaudra，请尽情享受并庆祝它

timpao vs. Buad，享受它并庆祝它

8月19日，星期一

Achara vs. Buad，享受它并庆祝它

我的意思是我不想要有关电视广播的信息（或锚标签中的信息）。

Answer 1

看起来包含该内容的段落还包含提示“，-尽情享受并庆祝它”，因此在检索其内容时，它始终会添加。您可以做的是通过做类似

的操作来删除字符串的尾部

if len(pta[i] > 33):
  pta[i].get_text()[:-33]

这样，您将删除结果字符串的最后33个字符。

Answer 2

不知道实际来源是什么。例如，假设您可以删除标签，然后使用:has和:not(:empty)进行定位。需要bs4 4.7.1 +

from bs4 import BeautifulSoup as bs
import requests

r = requests.get('https://worldsoccertalk.com/2019/08/16/epl-commentator-assignments-nbc-sports-gameweek-2-3/')
soup = bs(r.content, 'lxml')

for a in soup("a"):
    a.decompose()

for i in soup.select('.thecontent p:has(strong:not(:contains("SEE MORE"))), .thecontent p:has(strong:not(:contains("SEE MORE"))) ~ p:not(:empty)'):
    data = i.text.strip()
    if data:
        if ' vs. ' in data:
            items = data.split(',')
            print(', '.join([items[0], items[-1].split('—')[1]]))
        else:
            print(data)

如何将段落标签中的文本与段落文本中的其他其他标签一起刮取？

2 个答案: