如何使用BS4从标签外部提取文本

时间:2019-04-25 03:22:22

标签: python beautifulsoup

我正在尝试扫描一堆Wikipedia页面以获取有关第二次世界大战的统计信息。

我正在使用BeautifulSoup尝试从Wikipedia页面右侧的列中获取所有统计信息。 该代码在下面列出。 “ links.csv”是带有一串链接结尾的文件,例如“ Battle_of_Leyte_Gulf”。我已经使用<h2>标签进行了测试,它可以正常访问所有站点。

import requests
from bs4 import BeautifulSoup
import pandas
df=pandas.read_csv("links.csv")
links=df['links']
for url in links:
  # print("\n"+url+"\n")
  txt="https://en.wikipedia.org/wiki/"+url
  page=requests.get(txt)
  soup=BeautifulSoup(page.content, 'html.parser')
  tags = soup.find_all("br")
  for tag in tags:
    print(tag)

但是,我注意到该文本不在实际的
标记中,并且实际上在外面,如所列。

"Sixth Army: "
<br>
"≈200,000"
<br>
<span class="flagicon">...</span>
"Air and naval forces: ≈120,000"

我想知道如何获得实际的文本“第六军:”和“≈200,000”。

链接在这里:https://en.wikipedia.org/wiki/Battle_of_Leyte

1 个答案:

答案 0 :(得分:0)

您可以隔离td单元格,然后使用next_sibling

import requests
from bs4 import BeautifulSoup as bs

r = requests.get('https://en.wikipedia.org/wiki/Battle_of_Leyte')
soup = bs(r.content, 'lxml')
visible_row = soup.select_one('.vevent tr:nth-of-type(12) td span')
print(visible_row.next_sibling)
print(visible_row.next_sibling.next_sibling.next_sibling)