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?
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