时间戳

首页 > 解决方案 > BeautifulSoup 和 Craiglist - 无法获取具有相同属性和结构的数据

python - BeautifulSoup 和 Craiglist - 无法获取具有相同属性和结构的数据

问题描述

我在抓取下面的 HTML 时遇到了麻烦，因为所有信息都存储在一个没有太大区别的结构中。

我想要一个地方来检索包含在具有 text = 'VIN:' 的 span 标签中的 b 标签，以及包含在具有 text = 'odometer:' 的 span 标签中的 b 标签，等等。

</p>
</div>
<p class="attrgroup">
<span><b>2001 PORSCHE 911</b></span>
<br/>
</p>
<p class="attrgroup">
<span>VIN: <b>WP0CA29961S653221</b></span>
<br/>
<span>fuel: <b>gas</b></span>
<br/>
<span>odometer: <b>46000</b></span>
<br/>
<span>paint color: <b>silver</b></span>
<br/>
<span>size: <b>sub-compact</b></span>
<br/>
<span>title status: <b>clean</b></span>
<br/>
<span>transmission: <b>manual</b></span>
<br/>
<span>type: <b>convertible</b></span>
<br/>
</p>
</div>

我尝试了以下变体但无济于事：

all = soup.find_all('section',{'class':'body'})
for i in all:
    print(i.find_all('span'))

&

all = soup.find_all('section',{'class':'body'})
for i in all:
     print(i.find_all('b'))

&

all = soup.find_all('section',{'class':'body'})
for i in all:
    print(i.find_all('p',{'class':'attrgroup'}))

这些字段是动态的，因此结构可以改变。例如，另一个列表可能没有里程表信息或燃料选项，因此将其分解为列表并按索引获取特定信息将不一致。

我如何成功地做到这一点？

标签： pythonseleniumweb-scrapingbeautifulsoupcraigslist

解决方案

尝试一些类似这样的：

from bs4 import BeautifulSoup

html = """
</p>
</div>
<p class="attrgroup">
<span><b>2001 PORSCHE 911</b></span>
<br/>
</p>
<p class="attrgroup">
<span>VIN: <b>WP0CA29961S653221</b></span>
<br/>
<span>fuel: <b>gas</b></span>
<br/>
<span>odometer: <b>46000</b></span>
<br/>
<span>paint color: <b>silver</b></span>
<br/>
<span>size: <b>sub-compact</b></span>
<br/>
<span>title status: <b>clean</b></span>
<br/>
<span>transmission: <b>manual</b></span>
<br/>
<span>type: <b>convertible</b></span>
<br/>
</p>
</div>
"""
soup = BeautifulSoup(html,'html.parser')
prefixes = ["VIN", "odometer"]
for n in soup.find_all('p', attrs={'class': 'attrgroup'}):    
   for x in n.find_all('span'):
    if(x.text.startswith(tuple(prefixes))):
      print(x.find('b').text)

结果：

WP0CA29961S653221
46000

推荐阅读