python - 使用 Beautiful Soup 获取特定的 tr 元数据

Question

我有一个奇怪的问题。我正在使用 python 使用 beautiful soup 来抓取页面。我需要的一个值位于 tr 元数据中，我可以使用以下命令将其打印到屏幕上:

meta = tr.findNext('td', {'class':'field1'})
attr_dict = meta.a.attrs 
print(attr_dict)

这会产生:

{'href': '/client/displayEmail.asp?rid=1318441&cid=12339', 
 'rel': ['gb_page_center[940,', '600]'], 
 'title': 'ID: manualavenue100daily120141127073104:EG_CO_NEWS_1/08-14-14_yahoo\rLooking for schools? Get free information today.\rFrom: degree@newsconsul.com\rDate: 11/27/2014 7:33:34 AM'}

我想提取以下信息:EG_CO_NEWS_1/08-14-14_yahoo，但似乎无法获取。

目前我正在这样做:

campaign_raw = str(attr_dict['title'][:80])

产生:

'Lookianualavenue100daily120141127073104:EG_CO_NEWS_1/08-14-14_yahoo' 

主题和模板名称以意外的顺序奇怪地串联。

我尝试将字符串拆分为“:”并获取最后一段，这会产生: Looki_NEWS_1/08-14-14_yahoo

我不知道该怎么办。我尝试过正则表达式，但这似乎也不起作用。大家有这方面的经验吗？

Answer 1

意外的顺序是由'\r'字符或回车符引起的。将其替换为 '' 或 ' '，然后处理您的字符串。

str(attr_dict['title']).replace('\r', '')

考虑字符串:

st = "This is SO\rThat"

现在如果你打印字符串，

print st
That is SO

发生这种情况是因为当遇到 \r 或 回车 时，设备的位置会重置为文本行的开头。