Question

我正在从遵循相同结构的多个div中搜集标题，描述，链接和人名。我正在使用BeautifulSoup，我能够从第一个div中删除所有东西。但是，我无法从我的长列表中删除数据，并以CSV或JSON等便携式格式获取数据。

如何从长长的div列表中删除每个项目，并将这些信息存储在每个mp3的JSON对象中？

div看起来像这样：

<div class="audioBoxWrap clearBoth">
    <h3>Title 1</h3>
    <p>Description 1</p>
    <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
    <div class="audioBox" style="display: none;">
        stuff
    </div>
    <div> [ <a href="link1.mp3">Right-click to download</a>] </div>
</div>
<div class="audioBoxWrap clearBoth">
    <h3>Title 2</h3>
    <p>Description 2</p>
    <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
    <div class="audioBox" style="display: none;">
        stuff
    </div>
    <div> [ <a href="link2.mp3">Right-click to download</a>] </div>
</div>

我已经想出如何从第一个div中刮掉，但我无法获取每个div的信息。例如，我的下面的代码只反复吐出第一个div的h3。

我知道我可以为标题，描述等创建一个python列表，但是如何保持元数据结构如JSON，以便title1，link1和description1保持在一起，以及title2的信息。

with open ('soup.html', 'r') as myfile:
    html_doc = myfile.read()

    soup = BeautifulSoup(html_doc, 'html.parser')

    audio_div = soup.find_all('div', {'class':"audioBoxWrap clearBoth"})

    print len(audio_div)
    #create dictionary for storing scraped data. I don't know how to store the values for each mp3 separately.

    for i in audio_div:
        print soup.find('h3').text

我希望我的JSON看起来像这样：

{  
   "podcasts":[  
      {  
         "title":"title1",
         "description":"description1",
         "link":"link1"
      },
      {  
         "title":"title2",
         "description":"description2",
         "link":"link2"
      }
   ]
}

Answer 1

迭代每个曲目并进行特定于上下文的搜索：

from pprint import pprint

from bs4 import BeautifulSoup

data = """
<div>
    <div class="audioBoxWrap clearBoth">
        <h3>Title 1</h3>
        <p>Description 1</p>
        <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
        <div class="audioBox" style="display: none;">
            stuff
        </div>
        <div> [ <a href="link1.mp3">Right-click to download</a>] </div>
    </div>
    <div class="audioBoxWrap clearBoth">
        <h3>Title 2</h3>
        <p>Description 2</p>
        <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
        <div class="audioBox" style="display: none;">
            stuff
        </div>
        <div> [ <a href="link2.mp3">Right-click to download</a>] </div>
    </div>
</div>"""

soup = BeautifulSoup(data, "html.parser")

tracks = soup.find_all('div', {'class':"audioBoxWrap clearBoth"})
result = {
    "podcasts": [
        {
            "title": track.h3.get_text(strip=True),
            "description": track.p.get_text(strip=True),
            "link": track.a["href"]
        }
        for track in tracks
    ]
}
pprint(result)

打印：

{'podcasts': [{'description': 'Description 1',
               'link': 'link1.mp3',
               'title': 'Title 1'},
              {'description': 'Description 2',
               'link': 'link2.mp3',
               'title': 'Title 2'}]}

BeautifulSoup使用循环将多个div中的信息抓取到JSON中

1 个答案: