Question

我有一个奇怪的问题。我正在使用python用美丽的汤刮一页。我需要的一个值是tr元数据，我可以使用以下命令打印到我的屏幕：

meta = tr.findNext('td', {'class':'field1'})
attr_dict = meta.a.attrs 
print(attr_dict)

这会产生：

{'href': '/client/displayEmail.asp?rid=1318441&cid=12339', 
 'rel': ['gb_page_center[940,', '600]'], 
 'title': 'ID: manualavenue100daily120141127073104:EG_CO_NEWS_1/08-14-14_yahoo\rLooking for schools? Get free information today.\rFrom: degree@newsconsul.com\rDate: 11/27/2014 7:33:34 AM'}

我想提取以下信息：EG_CO_NEWS_1 / 08-14-14_yahoo但似乎无法获得它。

目前我正在这样做：

campaign_raw = str(attr_dict['title'][:80])

产生：

'Lookianualavenue100daily120141127073104:EG_CO_NEWS_1/08-14-14_yahoo'

主题和模板名称在意外顺序中的奇怪串联。

我试图将字符串拆分为'：'并取最后一段，这会产生： Looki_NEWS_1 / 08-14-14_yahoo

我不知道该怎么做。我已经尝试过正则表达式，但这似乎也不起作用。有人有这方面的经验吗？

Answer 1

意外顺序是由'\r'字符或回车引起的。将其替换为''或' '，然后处理您的字符串。

str(attr_dict['title']).replace('\r', '')

考虑字符串：

st = "This is SO\rThat"

现在，如果你打印字符串，

print st
That is SO

这是因为遇到\r或carriage return时，设备的位置会重置为一行文本的开头。

Answer 2

\r属性中的title个字符是造成这种情况的原因。 \r是CARRIAGE RETURN字符，U + 0013。通常用于一行文本末尾的字符是LINEFEED字符，U + 0010，在Python（以及大多数其他编程语言）中为\n。

打印\n字符时会发生什么，光标会转到新行的开头。但是当你打印\r字符时会发生什么，光标会移到当前行的开头;这是为了让那些希望让用户了解他们进度的程序（“0％完成...... 10％完成...... 20％完成......”）而不会进入复杂的过程来移动光标：只需打印一个\r字符，重新打印N％已完成的消息，然后继续。

这里发生的事情是你正在获取title属性的前80个字符，并将它们放在campaign_raw中，最终（我假设）获取打印。恰好这样，修剪80个字符包括第一个\ r \ n和“寻找学校？”这几个字符。因此，当您打印该字符串时，它会打印整个ID，然后\r使其返回到行的开头并打印其余部分（“寻找学校？”中的几个字符。）

将\r替换为\n，您将更好地了解正在发生的事情。我怀疑你在这个过程中会在代码中发现其他一些错误，但至少你能够在那时正确地看到输出。

使用Beautiful Soup获取特定的tr元数据

2 个答案: