使用Python从具有序列化范围ID的HTML页面中抓取数据

Question

我正在处理某些HTML页面，需要从这些HTML页面抓取数据。问题是，范围ID已编号。 例如-

ContentPlaceHolder_0, ContentPlaceHolder_1, ContentPlaceHolder_2 ..... ContentPlaceHolder_n

我需要在每一页上从所有这些span标签中获取数据。使用Beautiful Soup获取此数据的最佳方法是什么？

Answer 1

您可以尝试BeautifulSoup中内置的CSS选择器。这将选择所有ID以ContentPlaceHolder开头的跨度：

soup.select('span[id^=ContentPlaceHolder]')

示例：

from bs4 import BeautifulSoup

html = """<span id='ContentPlaceHolder_0'>0</span>
<span id='ContentPlaceHolder_1'>1</span>
<span id='ContentPlaceHolder_2'>2</span>
<span id='ContentPlaceHolder_3'>3</span>

<span id='xxx'>xxx</span>"""

soup = BeautifulSoup(html, 'lxml')

for s in soup.select('span[id^=ContentPlaceHolder]'):
    print(s.text)

打印：

0
1
2
3