美丽汤从注释html中提取文本

Question

抱歉，如果这个问题对其他人来说是模拟的，我无法使任何其他解决方案起作用。我正在使用 beautifulsoup 抓取一个网站，我正在尝试从注释的表格字段中获取信息：

<td>
<span class="release" data-release="1518739200"></span>
<!--<p class="statistics">
<span class="views" clicks="1564058">1.56M Clicks</span>
<span class="interaction" likes="0"></span>
</p>-->
</td>

如何获得部分"视图"和"交互"？

Answer 1

您需要从注释中提取 HTML，并使用 BeautifulSoup 再次解析它，如下所示：

from bs4 import BeautifulSoup, Comment
html = """<td>
<span class="release" data-release="1518739200"></span>
<!--<p class="statistics">
<span class="views" clicks="1564058">1.56M Clicks</span>
<span class="interaction" likes="0"></span>
</p>-->
</td>"""
soup = BeautifulSoup(html , 'lxml')
comment = soup.find(text=lambda text:isinstance(text, Comment))
commentsoup = BeautifulSoup(comment , 'lxml')
views = commentsoup.find('span', {'class': 'views'})
interaction= commentsoup.find('span', {'class': 'interaction'})
print (views.get_text(), interaction['likes'])

输出：

1.56M 点击 0

如果评论不是页面上的第一个评论，则需要像这样对其进行索引：

comment = soup.find_all(text=lambda text:isinstance(text, Comment))[1]

或从父元素中找到它。

根据评论更新：

为此，您可以使用父"tr"元素。您提供的页面具有"共享"而不是"交互"，因此我希望您得到一个NoneType对象，该对象会给您看到的错误。如果需要，可以在代码中添加 NoneType 对象的测试。

from bs4 import BeautifulSoup, Comment
import requests
url = "https://imvdb.com/calendar/2018?page=1"
html = requests.get(url).text
soup = BeautifulSoup(html , 'lxml')
for tr in soup.find_all('tr'):
comment = tr.find(text=lambda text:isinstance(text, Comment))
commentsoup = BeautifulSoup(comment , 'lxml')
views = commentsoup.find('span', {'class': 'views'})
shares= commentsoup.find('span', {'class': 'shares'})
print (views.get_text(), shares['data-shares'])

输出：

3.60K Views 0
1.56M Views 0
220.28K Views 0
6.09M Views 0
133.04K Views 0
163.62M Views 0
30.44K Views 0
2.95M Views 0
2.10M Views 0
83.21K Views 0
5.27K Views 0
...

Answer 2

最简单和最简单的解决方案是选择.replace((函数。您需要做的就是踢出这个<!--，这-->个符号来自 html 元素，其余的都是原样。看看下面的脚本。

from bs4 import BeautifulSoup
htdoc = """
<td>
<span class="release" data-release="1518739200"></span>
<!--<p class="statistics">
<span class="views" clicks="1564058">1.56M Clicks</span>
<span class="interaction" likes="0"></span>
</p>-->
</td>
"""
elem = htdoc.replace("<!--","").replace("-->","")
soup = BeautifulSoup(elem,'lxml')
views = soup.select_one('span.views').get_text(strip=True)
likes = soup.select_one('span.interaction')['likes']
print(f'{views}n{likes}')

输出：

1.56M Clicks
0

Answer 3

如果您只需要视图，则：

views = soup.findAll("span", {"class": "views"})

您还可以通过以下方式获取整个段落：

p = soup.findAll("p", {"class": "statistics"})

然后你可以从p获取数据。