我正在编写一个网络爬虫，并且有一个表格，其中充满了我想要下载、保存并稍后分析的 .pdf 文件的链接。我用的是漂亮的汤，我让汤找到了所有的链接。它们通常是漂亮的汤标签对象，但我把它们变成了字符串。该字符串实际上是一堆垃圾，链接文本埋在中间。我想删掉那些垃圾，只留下链接。然后我会把它们变成一个列表，稍后让 python 下载它们。 (我的计划是让 python 保留 pdf 链接名称的列表，以跟踪下载的内容，然后它可以根据这些链接名称或其一部分来命名文件)。
但是 .pdf 文件的名称长度是可变的，例如:
- I_am_the_first_file.pdf
- And_I_am_the_seond_file.pdf
由于它们存在于表中，因此它们有一堆垃圾文本:
- a href = ://blah/blah/blah/I_am_the_first_file.pdf[加上其他意外进入我的字符串的注释内容]
- a href = ://blah/blah/blah/And_I_am_the_seond_file.pdf[加上其他意外进入我的字符串的注释内容]
所以我想切掉(“切片”)字符串的前半部分和最后一部分，只留下指向我的网址的字符串(所以接下来是我的程序所需的输出):
://blah/blah/blah/I_am_the_first_file.pdf://blah/blah/blah/And_I_am_the_seond_file.pdf
正如您所看到的，第二个文件的字符串中的字符比第一个文件多。所以我不能这样做:
string[9:40]
或者其他任何东西，因为这适用于第一个文件，但不适用于第二个文件。
所以我试图为字符串切片的末尾找到一个变量，如下所示:
string[9:x]
其中 x 是以“.pdf”结尾的字符串中的位置(我的想法是使用 string.index('.pdf') 函数来执行此操作。
但是 t3h 会失败吗，因为我在尝试使用变量来执行此操作时遇到错误
("TypeError: 'int' object is unsubscriptable")
除了弄乱字符串之外，可能有一个简单的答案和更好的方法来做到这一点，但是你们比我聪明得多，我想你们会立即知道。
这是迄今为止我的完整代码:
import urllib, urllib2
from BeautifulSoup import BeautifulSoup
page = urllib2.urlopen("mywebsite.com")
soup = BeautifulSoup(page)
table_with_my_pdf_links = soup.find('table', id = 'searchResults')
#"search results" is just what the table i was looking for happened to be called.
for pdf_link in table_with_my_pdf_links.findAll('a'):
#this says find all the links and looop over them
pdf_link_string = str(pdf_link)
#turn the links into strings (they are usually soup tag objects, which don't help me much that I know of)
if 'pdf' in pdf_link_string:
#some links in the table are .html and I don't want those, I just want the pdfs.
end_of_link = pdf_link_string.index('.pdf')
#I want to know where the .pdf file extension ends because that's the end of the link, so I'll slice backward from there
just_the_link = end_of_link[9:end_of_link]
#here, the first 9 characters are junk "a href = yadda yadda yadda". So I'm setting a variable that starts just after that junk and goes to the .pdf (I realize that I will actualy have to do .pdf + 3 or something to actually get to the end of string, but this makes it easier for now).
print just_the_link
#I debug by print statement because I'm an amatuer
行(倒数第二行)如下:
just_the_link = end_of_link[9:end_of_link]
返回错误(TypeError:'int'对象不可订阅)
另外，“:”应该是超文本传输协议(protocol)冒号，但它不允许我发布 b/c 新手不能发布超过 2 个链接，所以我把它们删除了。
最佳答案
just_the_link = end_of_link[9:end_of_link]
这是你的问题，就像错误消息所说的那样。 end_of_link 是一个整数 - pdf_link_string 中“.pdf”的索引，您在前一行中计算出该索引。所以您自然可以'不要把它切片。您想要对 pdf_link_string 进行切片。
关于python - 字符串切片的不可编写脚本的 Int 错误，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/5452464/