Question

我正在开展一个项目，要求我扫描大量的HTML文件（8000+）。其中一些文件被破坏，但这是文件来源的必然结果，无法修复。

我选择使用BeautifulSoup4来查找和提取数据。代码如下：

from bs4 import BeautifulSoup

data = open('data\file.html', encoding='utf-8')
soup = BeautifulSoup(data)

tag = soup.find('strong', text="Heading:")

split_tag = str(tag.next_sibling.next_element.next_element).split(", ")

它的作用是打开一个文件，搜索包含文本“标题：”的强标签。然后它以逗号分隔此标记的内容。

但是，如果源文件被破坏，则它没有包含文本“Heading：”的强标记。因此，在split_tag处引发AttributeError，因为它返回“None”，因此没有任何next_sibling。

我尝试使用以下方法解决此问题：

try:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")
except AttributeError:
    pass
else:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")

这不起作用。我也尝试将此表示为功能但没有运气。

所以我转向你。我想要做的是如果有任何内容，将内容拆分为逗号。如果没有，脚本应该通过。

我非常感谢任何帮助！

Answer 1

以下是重写异常处理程序的方法。如果没有这样的标题，那么我们应该期望得到一个零长度的标签列表。

from bs4 import BeautifulSoup

data = open('data\file.html', encoding='utf-8')
soup = BeautifulSoup(data)

tag = soup.find('strong', text="Heading:")

try:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")
except AttributeError:
    split_tag = []  # zero-length list of tags

但在这种情况下，简单的if语句应该可以正常运行，因为soup.find()在找不到任何内容时会返回None。

from bs4 import BeautifulSoup

data = open('data\file.html', encoding='utf-8')
soup = BeautifulSoup(data)

tag = soup.find('strong', text="Heading:")

if tag is None:
    split_tag = []
else:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")

检查None时，最好使用is测试对象标识，如上所示。

Python中的变量和异常处理 - 它们混合在一起吗？

1 个答案: