无法使用BeautifulSoup从html-doc中提取数据

时间:2014-11-23 18:21:35

标签: python html python-3.x beautifulsoup html-parsing

我正在尝试从网页上抓取的网页中提取数据,我觉得这很难。我尝试了soup.get_Text(),但它没有用,因为它只是连续返回单个字符而不是整个字符串对象。

提取名称很简单,因为您可以使用'b'-tag访问它,但是例如提取街道(“AmVogelwäldchen2”)证明是非常困难的。我可以尝试从单个字符组合地址,但这似乎过于复杂,我觉得必须有一个更简单的方法来做到这一点。也许有人有更好的主意。哦,不介意奇怪的功能,我退回汤,因为我尝试了不同的方法。

import urllib.request
import time

from bs4 import BeautifulSoup


#Performs a HTTP-'POST' request, passes it to BeautifulSoup and returns the result
def doRequest(request):
    requestResult = urllib.request.urlopen(request)
    soup = BeautifulSoup(requestResult)
    return soup

def getContactInfoFromPage(page):
    name = ''
    straße = ''
    plz = ''
    stadt = ''
    telefon = ''
    mail = ''
    url = ''

    data = [
           #'Name',
           #'Straße',
           #'PLZ',
           #'Stadt',
           #'Telefon',
           #'E-Mail',
           #'Homepage'
            ]

    request = urllib.request.Request("http://www.altenheim-adressen.de/schnellsuche/" + page)
    request.add_header("Content-Type", "application/x-www-form-urlencoded;charset=utf-8")
    request.add_header("User-Agent", "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:33.0) Gecko/20100101 Firefox/33.0")
    soup = doRequest(request)

    #Save Name to data structure
    findeName = soup.findAll('b')
    name = findeName[2]
    name = name.string.split('>')

    data.append(name)


    return soup


soup = getContactInfoFromPage("suche2.cfm?id=267a0749e983c7edfeef43ef8e1c7422")

print(soup.getText())

1 个答案:

答案 0 :(得分:0)

您可以依赖字段标签并获取next sibling的文字。

从中创建一个漂亮的可重用功能将使其更加透明和易于使用:

def get_field_value(soup, field):
    field_label = soup.find('td', text=field + ':')
    return field_label.find_next_sibling('td').get_text(strip=True)

用法:

print(get_field_value(soup, 'Name'))  # prints 'AWO-Seniorenzentrum Kenten'
print(get_field_value(soup, 'Land'))  # prints 'Deutschland'