python - 让 BeautifulSoup 找到特定的

Question

我正在尝试为各种科学期刊网站整合一个基本的 HTML 抓取工具，特别是尝试获取摘要或介绍性段落。

我目前正在研究的期刊是《自然》，我一直用作样本的文章可以在 上看到。 http://www.nature.com/nature/journal/v463/n7284/abs/nature08715.html .

但是，我无法从该页面获取摘要。我正在搜索 <p class="lead">...</p> 之间的所有内容标签，但我似乎无法弄清楚如何隔离它们。我以为这会很简单，比如

from BeautifulSoup import BeautifulSoup
import re
import urllib2

address="http://www.nature.com/nature/journal/v463/n7284/full/nature08715.html"
html = urllib2.urlopen(address).read()
soup = BeautifulSoup(html)

abstract = soup.find('p', attrs={'class' : 'lead'})
print abstract

使用 Python 2.5、BeautifulSoup 3.0.8，运行它会返回“无”。我没有选择使用任何其他需要编译/安装的东西(比如 lxml)。 BeautifulSoup 糊涂了，还是我糊涂了？

Answer 1

那个 html 格式非常错误，xml.dom.minidom 无法解析，BeautiFulSoup 解析效果不佳。

我删除了一些 <!-- ... -->部分并用 BeautiFulSoup 再次解析，然后它看起来更好并且能够运行 soup.find('p', attrs={'class' : 'lead'})

这是我试过的代码

>>> html =re.sub(re.compile("<!--.*?-->",re.DOTALL),"",html)
>>>
>>> soup=BeautifulSoup(html)
>>>
>>> soup.find('p', attrs={'class' : 'lead'})
<p class="lead">The class of exotic Jupiter-mass planets that orb  .....