Python - 使用 BeautifulSoup 在一个页面中抓取多个类

Question

我正在尝试抓取 Agoda 的多种房型的每日酒店价格以及促销信息、早餐条件和先预订后付款规定等附加信息。

我的代码如下:

import requests
import math
from bs4 import BeautifulSoup

url = "http://www.agoda.com/ambassador-hotel-taipei/hotel/taipei-tw.html?asq=8m91A1C3D%252bTr%252bvRSmuClW5dm5vJXWO5dlQmHx%252fdU9qxilNob5hJg0b218wml6rCgncYsXBK0nWktmYtQJCEMu0P07Y3BjaTYhdrZvavpUnmfy3moWn%252bv8f2Lfx7HovrV95j6mrlCfGou99kE%252bA0aX0aof09AStNs69qUxvAVo53D4ZTrmAxm3bVkqZJr62cU&tyra=1%257c2&searchrequestid=2e2b0e8c-cadb-465b-8dea-2222e24a1678&pingnumber=1&checkin=2015-10-01&los=1"
res = requests.get(url)
soup = BeautifulSoup(res.text, 'html.parser')
n = len(soup.select('.room-name'))

for i in range(0, n):
    en_room = soup.select('.room-name')[i].text.strip()
    currency = soup.select('.currency')[i].text
    price = soup.select('.sellprice')[i].text

    try:
        sp_info = soup.select('.left-room-info')[i].text.strip()
    except Exception as e:
        sp_info = "N/A"

    try:
        pay_later = soup.select('.book-now-paylater')[i].text.strip()
    except Exception as e:
        pay_later = "N/A"


    print en_room, i+1, currency, price, en_room, sp_info, pay_later
    time.sleep(1)

我有两个问题:

(1) “left-room-info”类似乎包含两个子类“breakfast”和“room-promo”。这些子类仅在特定房型提供此类服务时才会出现。

当只有一个子类出现时，输出效果很好。但是，当没有子类出现时，当我希望显示“N/A”时，输出为空。此外，当两个子类都出现时，输出格式包含不必要的空行，这些空行无法通过 .strip() 删除。

有什么办法可以解决这些问题吗？

(2) 当我试图从“.book-now-paylater”类中提取信息时，提取的数据与每个房间类型都不匹配。例如，假设有10种房型，只有2、4、6、8房型允许旅客先预订后付款，代码可以提取出4条先预订后付款的信息，但这4条信息是然后不恰本地分配到房间类型 1、2、3、4。

有什么办法可以解决这个问题吗？

感谢您的帮助!

加里

Answer 1

(1) 发生这种情况是因为即使 '.left-room-info' 选择中没有文本，它也不会抛出异常，并且您的 except 永远不会运行。您应该检查该值是否为空字符串 ('')。你可以用这样一个简单的 if not string_var 来做到这一点

sp_info = soup.select('.left-room-info')[i].text.strip()
if not sp_info:
    sp_info = "N/A"

当两个子类都出现时，您应该在回车符 ('\r') 上拆分字符串，然后剥离每个结果部分。代码看起来像这样:(注意现在 sp_info 是一个列表，而不仅仅是一个字符串)

sp_info = soup.select('.left-room-info')[i].text.strip().split('\r')
if len(sp_info) > 1:
    sp_info = [ info.strip() for info in sp_info ]

把这些部分放在一起，我们会得到这样的东西

sp_info = soup.select('.left-room-info')[i].text.strip().split('\r')
if len(sp_info) > 1:
    sp_info = [ info.strip() for info in sp_info ]
elif not sp_info[0]: # check for empty string
    sp_info = ["N/A"] # keep sp_info a list for consistancy 

(2) 稍微复杂一点。您将不得不更改解析页面的方式。也就是说，您可能必须选择 .room-type。您现在选择这本书的方式是稍后付款，它不会将它们与任何其他元素相关联，它只会选择该类的 8 个实例。以下是我将如何去做:

import requests
import math
from bs4 import BeautifulSoup

url = "http://www.agoda.com/ambassador-hotel-taipei/hotel/taipei-tw.html?asq=8m91A1C3D%252bTr%252bvRSmuClW5dm5vJXWO5dlQmHx%252fdU9qxilNob5hJg0b218wml6rCgncYsXBK0nWktmYtQJCEMu0P07Y3BjaTYhdrZvavpUnmfy3moWn%252bv8f2Lfx7HovrV95j6mrlCfGou99kE%252bA0aX0aof09AStNs69qUxvAVo53D4ZTrmAxm3bVkqZJr62cU&tyra=1%257c2&searchrequestid=2e2b0e8c-cadb-465b-8dea-2222e24a1678&pingnumber=1&checkin=2015-10-01&los=1"
res = requests.get(url)
soup = BeautifulSoup(res.text)

rooms = soup.select('.room-type')[1:] # the first instance of the class isn't a room

room_list = []

for room in rooms:
    room_info = {}

    room_info['en_room'] = room.select('.room-name')[0].text.strip()
    room_info['currency'] = room.select('.currency')[0].text.strip()
    room_info['price'] = room.select('.sellprice')[0].text.strip()

    sp_info = room.select('.left-room-info')[0].text.strip().split('\r')
    if len(sp_info) > 1:
        sp_info = ", ".join([ info.strip() for info in sp_info ])
    elif not sp_info[0]: # check for empty string
        sp_info = "N/A"
    room_info['sp_info'] = sp_info

    pay_later = room.select('.book-now-paylater')
    room_info['pay_later'] = pay_later[0].text.strip() if pay_later else "N/A"

    room_list.append(room_info)