Question

我正在尝试为各种科学期刊网站整理一个基本的HTML抓取工具，特别是试图获取抽象或介绍段落。

我正在研究的当前期刊是Nature，我在 http://www.nature.com/nature/journal/v463/n7284/abs/nature08715.html上可以看到我作为样本使用的文章。

但是，我无法从该页面中获取摘要。我正在搜索<p class="lead">...</p>标签之间的所有内容，但我似乎无法弄清楚如何隔离它们。我认为它会像

那样简单

from BeautifulSoup import BeautifulSoup
import re
import urllib2

address="http://www.nature.com/nature/journal/v463/n7284/full/nature08715.html"
html = urllib2.urlopen(address).read()
soup = BeautifulSoup(html)

abstract = soup.find('p', attrs={'class' : 'lead'})
print abstract

使用Python 2.5，BeautifulSoup 3.0.8，运行它会返回'None'。我没有选择使用任何需要编译/安装的东西（比如lxml）。 BeautifulSoup很困惑，还是我？

Answer 1

html格式错误，xml.dom.minidom无法解析，而BeautiFulSoup解析效果不佳。

我删除了一些部分并再次使用BeautiFulSoup进行解析，然后它看起来更好并且能够运行soup.find('p', attrs={'class' : 'lead'})

这是我试过的代码

>>> html =re.sub(re.compile("<!--.*?-->",re.DOTALL),"",html)
>>>
>>> soup=BeautifulSoup(html)
>>>
>>> soup.find('p', attrs={'class' : 'lead'})
<p class="lead">The class of exotic Jupiter-mass planets that orb  .....

让BeautifulSoup找到一个特定的<p> </p>

2 个答案: