我正在使用Python中的BeautifulSoup来抓取网页.问题中的html如下所示:
<td><a href="blah.html>blahblah</a></td>
<td>line2</td>
<td></td>
我想采取td标签的内容.所以对于第一个td,我需要"blahblah"文本,对于下一个td,我想写"line2",而对于最后一个td,"空白",因为没有内容.
我的代码片段看起来像这样 -
row = []
for each_td in td:
link = each_td.find_all('a')
if link:
row.append(link[0].contents[0])
row.append(link[0]['href'])
elif each_td.contents[0] is None:
row.append('blank')
else:
row.append(each_td.contents[0])
print row
但是在运行时,我得到错误 -
elif each_td.contents[0] is None:
IndexError: list index out of range
请注意 - 我正在使用beautifulsoup.
如何测试"no-content-td"和weite？为什么"......是无"不起作用？
我正在学习python和beautifulsoup,并在网上看到了这段代码:
from BeautifulSoup import BeautifulSoup, SoupStrainer
import re
html = ['<html><body><p align="center"><b><font size="2">Table 1</font></b><table><tr><td>1. row 1, cell 1</td><td>1. row 1, cell 2</td></tr><tr><td>1. row 2, cell 1</td><td>1. row 2, cell 2</td></tr></table><p align="center"><b><font size="2">Table 2</font></b><table><tr><td>2. row 1, cell 1</td><td>2. row 1, cell 2</td></tr><tr><td>2. row 2, cell 1</td><td>2. row 2, cell 2</td></tr></table></html>']
soup = BeautifulSoup(''.join(html))
searchtext = re.compile(r'Table\s+1',re.IGNORECASE)
foundtext = soup.find('p',text=searchtext) # Find the first <p> tag with the search text
table = foundtext.findNext('table') # Find the first <table> tag that follows it …我正在尝试使用正则表达式匹配表中的单元格,但问题不是所有单元格都遵循相同的模式.例如,td可以采用以下格式:
<td><a href="page101010.html">PageNumber</a></td>
或这种格式:
<td align="left" ></td>
基本上,td中的超链接部分并不存在,只是在某些部分.
我尝试使用下面的python正则表达式代码匹配这种情况,但它失败了.
match = re.search(r'<td align="left" ><?a?.+\>?(.+)\<?\/?a?\>?\<\/td\>', tdlink)
我只需要'匹配'来找到上面()中包含的部分.但是我收到语法错误或无对象消息.
我哪里错了？