对于这件事,我对 bs4 相当陌生,但我试图从网站上抓取一小块信息:但它一直打印“无”,就好像标题或任何标记(如果我替换它)不存在一样。
该项目由两部分组成:
- 循环部分:(这似乎非常简单)。
- 解析器部分:我遇到一些问题 - 见下文。
我正在尝试循环遍历 URL 数组并从 WordPress 插件列表中抓取下面的数据。请参阅下面的循环 -
from bs4 import BeautifulSoup
import requests
#array of URLs to loop through, will be larger once I get the loop working correctly
plugins = ['https://wordpress.org/plugins/wp-job-manager', 'https://wordpress.org/plugins/ninja-forms']
该项目:wordpress 插件的状态数据列表:- 大约 50 个插件值得关注!
https://wordpress.org/plugins/wp-job-manager
https://wordpress.org/plugins/ninja-forms
https://wordpress.org/plugins/participants-database ....and so on and so forth.
解析器部分: 这就是我使用 beautiful soup 的方法 - 在标签中提取字符串?
import bs4
from urllib.request import urlopen as uReq
from bs4 import BeautifulSoup as soup
my_url = "https://wordpress.org/plugins/participants-database/"
uClient = uReq(my_url)
page_html = uClient.read()
uClient.close()
page_soup = soup(page_html, "html.parser")
ttt = page_soup.find("div", {"class":#post-15991 > div.entry-meta > div.widget.plugin-meta"})
item = ttt.a.text
print(item)
后台:想要从此页面获取以下数据:
https://wordpress.org/plugins/participants-database/
我需要以下三行的数据 - 在上面提到的示例中
Version: <strong>1.29.3</strong>
Active installations: <strong>100,000+</strong>
Tested up to: <strong>4.9.4</strong>
查看我在这里找到的 xpath:
//*[@id="post-15991"]/div[4]/div[1]
//*[@id="post-15991"]/div[4]/div[1]/ul/li[1]
//*[@id="post-15991"]/div[4]/div[1]/ul/li[2]
//*[@id="post-15991"]/div[4]/div[1]/ul/li[3]
//*[@id="post-15991"]/div[4]/div[1]/ul/li[4]
//*[@id="post-15991"]/div[4]/div[1]/ul/li[5]
//*[@id="post-15991"]/div[4]/div[1]/ul/li[6]
最佳答案
您可以简单地获取所需的值:
ttt = page_soup.find("div", {"class":"plugin-meta"})
text_nodes = [node.text.strip() for node in ttt.ul.findChildren('li')[:-1:2]]
text_nodes
的输出:
['Version: 1.7.7.7', 'Active installations: 10,000+', 'Tested up to: 4.9.4']
关于python - 使用 beautiful soup - 提取 <div> 标签中的字符串?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48892305/