from bs4 import BeautifulSoup
import requests
s=requests.Session()
r=s.get('http://www.virginiaequestrian.com/main.cfm?action=greenpages&GPType=8')
soup=BeautifulSoup(r.text,'html5lib')
DataGrid=soup.find('tbody')
test=[]
for tr in DataGrid.find_all('tr')[:3]:
for td in tr.find_all('td'):
print td.string
您好,我正在尝试解析此网站 (http://www.virginiaequestrian.com/main.cfm?action=greenpages&GPType=8) 的 html 并获取表格数据。我试图从我的结果中排除前三个表行,但由于某种原因我无法让解析器执行此操作。这是我第一次专业的抓取尝试,我完全不知道如何让它工作。我猜这可能与我正在使用的 html5lib 解析器有关,但老实说我不知道。有人可以告诉我如何让它工作吗?
作为一个很好的测试,从前三行中提取数据将非常有用。这样我就可以确信完成的查询将从除这些以外的任何内容中提取。
例如,表格中的第一行是“马术网站”
请您参考如下方法:
您只取前三个而不忽略 [:3],它从列表中切出前三个元素:
DataGrid.find_all('tr')[:3] # first three elements
应该是 DataGrid.find_all('tr')[3:] # 除了前三个元素之外的所有元素
from bs4 import BeautifulSoup
import requests
r=requests.get('http://www.virginiaequestrian.com/main.cfm?action=greenpages&GPType=8')
soup=BeautifulSoup(r.content)
tbl = soup.find("table")
for tag in tbl.find_all("tr")[3:]:
for td in tag.find_all('td'):
print td.text
上面的 tbl.find_all("tr") 当切片并使用两个不同的解析器输出时:
In [20]: soup=BeautifulSoup(r.content,"html.parser")
In [21]: tbl = soup.find("table")
In [22]: len(tbl.find_all("tr"))
Out[22]: 364
In [23]: len(tbl.find_all("tr")[3:])
Out[23]: 361
In [24]: soup=BeautifulSoup(r.content,"lxml")
In [25]: tbl = soup.find("table")
In [26]: len(tbl.find_all("tr")[3:])
Out[26]: 361
In [27]: len(tbl.find_all("tr"))
Out[27]: 364
如果你真的想要more hrefs那么你应该这样做,为每个tr获取a标签,还有6 tr 在您真正想要的行之前,因此您需要跳过 6:
tbl = soup.find("table")
out = (tag.find('a') for tag in tbl.find_all("tr")[6:])
for a in out:
print(a["href"])
输出:
main.cfm?action=greenpages&sub=view&ID=9068
main.cfm?action=greenpages&sub=view&ID=9504
main.cfm?action=greenpages&sub=view&ID=10868
main.cfm?action=greenpages&sub=view&ID=10261
main.cfm?action=greenpages&sub=view&ID=10477
main.cfm?action=greenpages&sub=view&ID=10708
main.cfm?action=greenpages&sub=view&ID=11712
main.cfm?action=greenpages&sub=view&ID=12402
main.cfm?action=greenpages&sub=view&ID=12496
..................
要使用链接,只需在主 url 前面加上:
for a in out:
print("http://www.virginiaequestrian.com/{}".format(a["href"]))
输出:
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=9068
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=9504
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10868
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10261
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10477
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10708
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=11712
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=12402
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=12496
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=12633
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=13528
如果您打开第一个,您将进入马术网站,即您想要的第一个数据。
