让 BeautifulSoup 找到一个特定的 <p>

Question

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

我目前在做的期刊是 Nature，我一直使用的文章作为我的样本可以在 http://www.nature.com/nature/journal/v463/n7284/abs/nature08715.html。

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

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 是糊涂了，还是我糊涂了？

Answer 1

该 html 格式几乎不正确，并且 xml.dom.minidom 无法解析，并且 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'})

这是我尝试过的代码

>>> 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  .....