Question

嘿，我正在尝试抓取网站https://www.dawn.com/pakistan，但是python find（）find_all（）方法返回空列表，我已经尝试过html5.parser，html5lib和lxml仍然没有运气。我尝试抓取的类在源代码以及汤对象中都存在，但是事情似乎不起作用，任何帮助将不胜感激，谢谢！

代码：

from bs4 import BeautifulSoup 

import lxml

import html5lib

import urllib.request

url1 = 'https://www.dawn.com/pakistan'


req = urllib.request.Request(
    url1, 
    data=None, 
    headers=
{
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.47 Safari/537.36'
}
                        )
url1UrlContent=urllib.request.urlopen(req).read()
soup1=BeautifulSoup(url1UrlContent,'lxml')

url1Section1=soup1.find_all('h2', class_='story__title-size-five-text-black- 
font--playfair-display')
print(url1Section1)

Answer 1

您也应该工作（我使用了不同的语法）。但这是您不匹配的字符串。

您有：'story__title-size-five-text-black- font--playfair-display'

我有：'story__title size-five text-black font--playfair-display '差别很小

替换：

url1Section1=soup1.find_all('h2', class_='story__title-size-five-text-black- font--playfair-display')

具有：

url1Section1=soup1.find_all('h2', {'class':'story__title size-five text-black font--playfair-display '})

看看是否有帮助

Answer 2

我认为您不能传递这样的复合类名称。我使用这些是复合类名。我已经使用css选择器作为一种更快的检索方法。化合物用“。”填充。

如果您在标题后面，可以使用略有不同的选择器组合

import requests
from bs4 import BeautifulSoup

url= 'https://www.dawn.com/pakistan'
res = requests.get(url)
soup = BeautifulSoup(res.content, "lxml")
items = [item.text.strip() for item in soup.select('h2[data-layout=story] a')]
print(items)

要限制在左侧，可以使用：

items = [item.text.strip() for item in soup.select('.story__title.size-five.text-black.font--playfair-display a' )]

更广泛地说

items = [item.text.strip() for item in soup.select('article [data-layout=story]')]

根据您的评论：

items = [item.text.strip() for item in soup.select('.col-sm-6.col-12')]

Python BS4 find（）find_all（）返回空列表

2 个答案: