Question

我正在尝试从新闻网站页面（来自其中一个档案馆）获取链接。我在Python中编写了以下代码行：

main.py包含：

import mechanize
from bs4 import BeautifulSoup

url = "http://www.thehindu.com/archive/web/2010/06/19/"

br =  mechanize.Browser()
htmltext = br.open(url).read()

articletext = ""
soup = BeautifulSoup(htmltext)
for tag in soup.findAll('li', attrs={"data-section":"Business"}):
    articletext += tag.contents[0]

print articletext

tag.contents [0]中对象的示例： <a href="http://www.thehindu.com/business/itc-to-issue-11-bonus/article472545.ece" target="_blank">ITC to issue 1:1 bonus</a>

但是在运行它时我收到以下错误：

File "C:\Python27\crawler\main.py", line 4, in <module>
    text = articletext.getArticle(url)
  File "C:\Python27\crawler\articletext.py", line 23, in getArticle
    return getArticleText(htmltext)
  File "C:\Python27\crawler\articletext.py", line 18, in getArticleText
    articletext += tag.contents[0]
TypeError: cannot concatenate 'str' and 'Tag' objects

有人可以帮我解决一下吗？我是Python编程的新手。谢谢和问候。

Answer 1

我相信您可能想尝试访问列表项中的文本，如下所示：

for tag in soup.findAll('li', attrs={"data-section":"Business"}):
    articletext += tag.string

已编辑：关于从网页获取链接的常规评论

用于收集大量链接并在以后检索它们的最简单的数据类型可能是字典。

要使用BeautifulSoup从页面获取链接，您可以执行以下操作：

link_dictionary = {}
with urlopen(url_source) as f:
    soup = BeautifulSoup(f)
    for link in soup.findAll('a'):
        link_dictionary[link.string] = link.get('href')

这将为您提供一个名为link_dictionary的字典，其中字典中的每个键都是一个字符串，它只是<a> </a>标记之间的文本内容，每个值都是{的值{1}}属性。

如何结合您之前的尝试

现在，如果我们将此与您之前遇到的问题结合起来，我们可以尝试以下内容：

href

如果这没有意义，或者您有更多问题，那么您需要先进行实验并尝试提出解决方案，然后再提出另一个更新，更清晰的问题。

Answer 2

你模糊地使用link_dictionary。如果您没有将其用于阅读目的，请尝试以下代码：

 br =  mechanize.Browser()
 htmltext = br.open(url).read()

 articletext = ""
 for tag_li in soup.findAll('li', attrs={"data-section":"Op-Ed"}):
    for link in tag_li.findAll('a'):
        urlnew = urlnew = link.get('href')
        brnew =  mechanize.Browser()
        htmltextnew = brnew.open(urlnew).read()            
        articletext = ""
        soupnew = BeautifulSoup(htmltextnew)
        for tag in soupnew.findAll('p'):
            articletext += tag.text
        print re.sub('\s+', ' ', articletext, flags=re.M)

注意：re用于正则表达式。为此，您导入re。

模块

Answer 3

您可能希望将强大的XPath查询语言与更快的lxml模块一起使用。就这么简单：

import urllib2
from lxml import etree

url = 'http://www.thehindu.com/archive/web/2010/06/19/'
html = etree.HTML(urllib2.urlopen(url).read())

for link in html.xpath("//li[@data-section='Business']/a"):
    print '{} ({})'.format(link.text, link.attrib['href'])

更新@ data-section ='Chennai'

#!/usr/bin/python
import urllib2
from lxml import etree

url = 'http://www.thehindu.com/template/1-0-1/widget/archive/archiveWebDayRest.jsp?d=2010-06-19'
html = etree.HTML(urllib2.urlopen(url).read())

for link in html.xpath("//li[@data-section='Chennai']/a"):
    print '{} => {}'.format(link.text, link.attrib['href'])

网络抓取工具从新网站获取链接

3 个答案: