Question

在回答previous question时，有几个人建议我使用BeautifulSoup作为我的项目。我一直在努力处理他们的文档而我无法解析它。有人可以指出我应该能够将此表达式转换为BeautifulSoup表达式的部分吗？

hxs.select('//td[@class="altRow"][2]/a/@href').re('/.a\w+')

上述表达式来自Scrapy。我正在尝试将正则表达式re('\.a\w+')应用于td class altRow以从中获取链接。

我也非常感谢指向任何其他教程或文档。我找不到任何。

感谢您的帮助。

修改： 我正在看这个page：

>>> soup.head.title
<title>White & Case LLP - Lawyers</title>
>>> soup.find(href=re.compile("/cabel"))
>>> soup.find(href=re.compile("/diversity"))
<a href="/diversity/committee">Committee</a>

然而，如果你看一下页面来源"/cabel"就在那里：

 <td class="altRow" valign="middle" width="34%"> 
 <a href='/cabel'>Abel, Christian</a>

出于某种原因，BeautifulSoup看不到搜索结果，但XPath可以看到它们，因为hxs.select('//td[@class="altRow"][2]/a/@href').re('/.a\w+')捕获了“/ cabel”

修改： cobbal：它还没有用。但是当我搜索它时：

>>>soup.findAll(href=re.compile(r'/.a\w+'))
[<link href="/FCWSite/Include/styles/main.css" rel="stylesheet" type="text/css" />, <link rel="shortcut icon" type="image/ico" href="/FCWSite/Include/main_favicon.ico" />, <a href="/careers/northamerica">North America</a>, <a href="/careers/middleeastafrica">Middle East Africa</a>, <a href="/careers/europe">Europe</a>, <a href="/careers/latinamerica">Latin America</a>, <a href="/careers/asia">Asia</a>, <a href="/diversity/manager">Diversity Director</a>]
>>>

它返回所有带有第二个字符“a”的链接，但不返回律师名称。因此，出于某种原因，BeautifulSoup看不到这些链接（例如“/ cabel”）。我不明白为什么。

Answer 1

一个选项是使用lxml（我不熟悉beautifulsoup，所以我不能说怎么做），它默认支持XPath

修改
尝试~~（未经测试）~~测试：

soup.findAll('td', 'altRow')[1].findAll('a', href=re.compile(r'/.a\w+'), recursive=False)

我在http://www.crummy.com/software/BeautifulSoup/documentation.html
使用了文档
汤应该是一个BeautifulSoup对象

import BeautifulSoup soup = BeautifulSoup.BeautifulSoup(html_string)

Answer 2

我知道BeautifulSoup是规范的HTML解析模块，但有时您只想从某些HTML中删除一些子串，而pyparsing有一些有用的方法可以做到这一点。使用此代码：

from pyparsing import makeHTMLTags, withAttribute, SkipTo
import urllib

# get the HTML from your URL
url = "http://www.whitecase.com/Attorneys/List.aspx?LastName=&FirstName="
page = urllib.urlopen(url)
html = page.read()
page.close()

# define opening and closing tag expressions for <td> and <a> tags
# (makeHTMLTags also comprehends tag variations, including attributes, 
# upper/lower case, etc.)
tdStart,tdEnd = makeHTMLTags("td")
aStart,aEnd = makeHTMLTags("a")

# only interested in tdStarts if they have "class=altRow" attribute
tdStart.setParseAction(withAttribute(("class","altRow")))

# compose total matching pattern (add trailing tdStart to filter out 
# extraneous <td> matches)
patt = tdStart + aStart("a") + SkipTo(aEnd)("text") + aEnd + tdEnd + tdStart

# scan input HTML source for matching refs, and print out the text and 
# href values
for ref,s,e in patt.scanString(html):
    print ref.text, ref.a.href

我从您的页面中提取了914个引用，从Abel到Zupikova。

Abel, Christian /cabel
Acevedo, Linda Jeannine /jacevedo
AcuÃ±a, Jennifer /jacuna
Adeyemi, Ike /igbadegesin
Adler, Avraham /aadler
...
Zhu, Jie /jzhu
ZÃdek, AleÅ¡ /azidek
ZiÃ³Å‚ek, Agnieszka /aziolek
Zitter, Adam /azitter
Zupikova, Jana /jzupikova

Answer 3

我刚刚在Beautiful Soup邮件列表上回答了这个问题，作为Zeynel发送给该列表的电子邮件的回复。基本上，网页中有一个错误，在解析过程中完全杀死了Beautiful Soup 3.1，但仅仅被Beautiful Soup 3.0破坏了。

该主题位于Google Groups archive。

Answer 4

您似乎正在使用BeautifulSoup 3.1

我建议恢复到BeautifulSoup 3.0.7（因为this problem）

我刚刚使用3.0.7测试并获得了您期望的结果：

>>> soup.findAll(href=re.compile(r'/cabel'))
[<a href="/cabel">Abel, Christian</a>]

使用BeautifulSoup 3.1进行测试可获得您所看到的结果。 html中可能存在格式错误的标记，但我没看到它的内容很快。

如何将此XPath表达式转换为BeautifulSoup？

4 个答案: