- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试从网站上抓取新闻文章。我只对包含 <span class="news_headline">
的文章感兴趣带有文本“转移”。从本文中,我想从 <div class="news_text">
中提取范围内的文本.结果应该以 csv 文件结尾,看起来像这样:
R.Wolf; wechselt für 167.000 von Computer zu; Hauke
Weiner; wechselt für 167.000 von Computer zu; Hauke
Gonther; wechselt für 770.000 von Computer zu; Hauke
或
3378; wechselt für 167.000 von Computer zu; 514102
3605; wechselt für 167.000 von Computer zu; 514102
1197; wechselt für 770.000 von Computer zu; 514102
我对编程很陌生,所以我希望任何人都能提供帮助。
<div class="single_news_container">
<div class="news_body_right single_news_content">
<div class="cont_news_headlines">
<span class="wrapper_news_headlines">
<span class="news_headline">Transfers</span>
</span>
</div>
<div class="news_text">
<div>
<p>
<span><a href="/2.bundesliga/players/R. Wolf-3378">R. Wolf</a> wechselt für 167.000 von Computer zu <a href="/users/514102">Hauke</a></span>
</p>
<p>
<span><a href="/2.bundesliga/players/Weiner-3605">Weiner</a> wechselt für 167.000 von Computer zu <a href="/users/514102">Hauke</a></span>
</p>
<p>
<span><a href="/2.bundesliga/players/Gonther-1197">Gonther</a> wechselt für 770.000 von Computer zu <a href="/users/514096">Christoph</a></span>
</p>
</div>
</div>
</div>
</div>
最佳答案
首先,检查html代码的嵌套结构。您会看到要抓取的数据未包含在 div
中。你提到,而是它们都包裹在 <div class="news_body_right single_news_content">
中.所以你应该运行 find_all
在那div
然后循环结果以检查是否在这些 div
内的新闻标题包含“转会”。只有这样,您才能提取数据,例如,填充一个空列表,然后将其加载到 pandas
中。并将其保存到 csv
:
作为find_all
返回一个列表
from bs4 import BeautifulSoup
import pandas as pd
html='''<div class="single_news_container">
<div class="news_body_right single_news_content">
<div class="cont_news_headlines">
<span class="wrapper_news_headlines">
<span class="news_headline">Transfers</span>
</span>
</div>
<div class="news_text">
<div>
<p>
<span><a href="/2.bundesliga/players/R. Wolf-3378">R. Wolf</a> wechselt für 167.000 von Computer zu <a href="/users/514102">Hauke</a></span>
</p>
<p>
<span><a href="/2.bundesliga/players/Weiner-3605">Weiner</a> wechselt für 167.000 von Computer zu <a href="/users/514102">Hauke</a></span>
</p>
<p>
<span><a href="/2.bundesliga/players/Gonther-1197">Gonther</a> wechselt für 770.000 von Computer zu <a href="/users/514096">Christoph</a></span>
</p>
</div>
</div>
</div>'''
soup = BeautifulSoup(html,'html.parser')
data = []
for news in soup.find_all("div", class_="news_body_right single_news_content"):
if 'Transfers' in news.find("span", class_="news_headline"):
for i in news.find("div", class_="news_text").find_all('span'):
subject = i.find_all('a')[0].get_text()
amount = i.get_text().split('für ', 1)[1].split(' von')[0].replace('.','').replace(',','.')
from_player = i.get_text().split('von ', 1)[1].split(' zu')[0]
to_player = i.find_all('a')[1].get_text()
data.append({'subject': subject, 'amount': amount, 'from_player': from_player, 'to_player': to_player})
df = pd.DataFrame(data)
df.to_csv('output.csv')
结果:
关于python - 用 BeautifulSoup 抓取新闻,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/68240016/
如本answer所述,如果浏览器不支持 e,可以设置后备游标。 G。 光标:抓取;。我现在的问题是获取这些图像。在我的驱动器上本地搜索“.cur”只给了我系统光标,其中 grab.cur 和 grab
以下代码在计算机上运行以从 Instagram 帐户中抓取数据。当我尝试在 VPS 服务器上使用它时,我被重定向到 Instagram 登录页面,因此脚本不起作用。 为什么当我在电脑上或服务器上时,I
我在使用 Ruby 和 Mechanize 将 POST 查询传递到站点的网站上。访问站点的查询基于 firebug,如下所示 param.PrdNo=-1¶m.Type=Prop¶m
我正在尝试抓取一个具有多个页面结果的网站,例如“1、2、3、4、5...”。 每个分页号都是到另一个页面的链接,我需要抓取每个页面。 到目前为止,我想出了这个: while lien = page.l
我正在使用 HtmlAgilityPack 在 C# Asp.Net 中执行 Scraping,到目前为止,我在从多个 Web 执行 Scratch 时没有遇到问题,但是,尝试弹出以下代码时出现错误
如果我有一个 css 文件做这样的事情 #foo:after{content:"bar;} ,有没有办法用 javascript 获取 :after 的内容?获取父元素的内容只返回 #foo 元素的内
问题是这样的: 我有一个 Web 应用程序 - 一个经常更改的通知系统 - 在一系列本地计算机上运行。该应用程序每隔几秒刷新一次以显示新信息。计算机仅显示信息,没有键盘或任何输入设备。 问题是,如果与
我想制作一个程序来模拟用户浏览网站和点击链接。必须启用 Cookie 和 javascript。我已经在 python 中成功地做到了这一点,但我想把它写成一种可编译的语言(python ide 不会
我制作了这个小机器人,它通过搜索参数列表进行处理。它工作正常,直到页面上有几个结果: product_prices_euros 给出了一半为空的项目列表。因此,当我与 product_prices_c
我需要找到一个单词的匹配项,例如: 在网上找到所有单词“学习”https://www.georgetown.edu/(结果:4个字)(您可以看到它按CTRL + F并搜索) 我有我的 Python 代
有一个站点\资源提供一些一般统计信息以及搜索工具的界面。这种搜索操作成本高昂,因此我想限制频繁且连续(即自动)的搜索请求(来自人,而不是来自搜索引擎)。 我相信有很多现有的技术和框架可以执行一些情报抓
这并不是真正的抓取,我只是想在网页中找到类具有特定值的 URL。例如: 我想获取 href 值。关于如何做到这一点的任何想法?也许正则表达式?你能发布一些示例代码吗?我猜 html 抓取库,比如 B
我正在使用 scrapy。 我正在使用的网站具有无限滚动功能。 该网站有很多帖子,但我只抓取了 13 个。 如何抓取剩余的帖子? 这是我的代码: class exampleSpider(scrapy.
我正在尝试从这个 website 中抓取图像和新闻 url .我定义的标签是 root_tag=["div", {"class":"ngp_col ngp_col-bottom-gutter-2 ng
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭上个月。 Improve this ques
我在几个文件夹中有数千个 html 文件,我想从评论中提取数据并将其放入 csv 文件中。这将允许我为项目格式化和清理它。例如,我在这个文件夹中有 640 个 html 文件: D:\My Web S
我在编写用于抓取网页的实用程序时遇到了一个问题。 我正在发送 POST 请求来检索数据,我模仿我正在抓取的网络行为(根据使用 fiddler 收集的信息)。 我已经能够自动替换我的 POST 中除 V
对于 Googlebot 的 AJAX 抓取,我在我的网站中使用“_escaped_fragment_”参数。 现在我查看了 Yandex 对我网站的搜索结果。 我看到搜索结果中不存在 AJAX 响应
我正在尝试抓取网站的所有结果页面,它可以工作,但有时脚本会停止并显示此错误: 502 => Net::HTTPBadGateway for https://website.com/id/12/ --
我是一个学习网络爬虫的初学者,由于某种原因我无法爬网this地点。当我在 Chrome 中检查它时,代码看起来不错,但是当我用 BeautifulSoup 阅读它时,它不再是可刮的。汤提到“谷歌分析”
我是一名优秀的程序员,十分优秀!