Wired.comから記事を取得しようとしています。一般的に、彼らの記事の内容は次のようになります。
<article itemprop="articleBody">
<p>Some text</p>
<p>Next text</p>
<p>...</p>
<p>...</p>
</article>
またはこのように：
<article itemprop="articleBody">
<div class="listicle-captions marg-t...">
<p></p>
</div>
</article>
したがって、ページがタイプ1の場合は、<p>と<h>が抽出され、ページがタイプ2の場合は、別のことを行います。あれば、<p>と<h>の直接の子孫である<article>、それのタイプ1.私は、次のコードを試してみました、それが探し<p>と<h>、タグ名を出力します。問題は、recursive="False"タイプ2ページでテストすると、タグが見つかるはずなのに、タグが見つかるので、役に立たないようです（NonTypeオブジェクトを取得することを検討しました）。
import urllib.request
from bs4 import BeautifulSoup
import datetime
import html
import sys
articleUrl="https://www.wired.com/2016/07/greatest-feats-inventions-100-years-boeing/"
soupArticle=BeautifulSoup(urllib.request.urlopen(articleUrl), "html.parser")
articleBody=soupArticle.find("article", {"itemprop":"articleBody"})
articleContentTags=articleBody.findAll(["h1", "h2","h3", "p"], recursive="False")
for tag in articleContentTags:
print(tag.name)
print(tag.parent.encode("utf-8"))
なぜそれが機能しないのですか？
PSまた、と一般的な使用findAllとfindChildrenこの特定の場合の違いはありますか？これらの2つは私には同じように見えます。
文字列リテラル"False"はブール値 を使用するのと同じではありません。False実際に渡す必要がありますrecursive=False：
articleBody.find_all(["h1", "h2","h3", "p"], recursive=False)
空でない文字列はすべて真の値と見なされます。渡すことができる唯一の文字列は空の文字列、つまりrecursive=""です。
In [17]: bool("False")
Out[17]: True
In [18]: bool("foo")
Out[18]: True
In [19]: bool("")
Out[19]: False
ただし、実際のブール値 を使用することに固執します。また、find_all not findを呼び出しているため、Noneではなく、で返さFalseれる空のリスト/ ResultSetを取得します。recursive=False
この記事はインターネットから収集されたものであり、転載の際にはソースを示してください。
侵害の場合は、連絡してください[email protected]
コメントを追加