看书看得懵圈了。。。
要爬网页在单位的内部网里面,所以我贴出 url 大家也无法看到情况,直接摘抄修改了一下贴出来
目标表格大概是这样的:
<table id="outputtable1" class="tseb" width="100%" border="0" cellspacing="0" cellpadding="0">
<tbody>
<tr show="1" d="星期三" p="武汉" id="tr_109711" class="VputSection" t="2018-08-15 12:00" >
<td class="pg1">
<a href="javascript:void(0);" id="v_1911" class="bj"><code style="display:none">零件</code><i>310</i></a>
<s></s>
</td>
<td class="pg2" title="kingSize">
<span class="p_upi"><s></s>KS</span>
</td>
<td class="pg3">
<span title="下单时间:2018-08-15 9:30" style="display:none">9:30</span>
<span title="受理时间:2018-08-15 10:30" style="display:none">10:30</span>
</td>
</tr>
<tr show="1" d="星期三" p="天津" id="tr_109712" class="VputSection" t="2018-08-15 12:00" >
<td class="pg1">
<a href="javascript:void(0);" id="v_1911" class="bj"><code style="display:none">零件</code><i>311</i></a>
<s></s>
</td>
<td class="pg2" title="kingSize">
<span class="p_upi"><s></s>KS</span>
</td>
<td class="pg3">
<span title="下单时间:2018-08-15 9:32" style="display:none">9:32</span>
<span title="受理时间:2018-08-15 10:30" style="display:none">10:30</span>
</td>
</tr>
<tr show="1" d="星期三" p="南充" id="tr_109713" class="VputSection" t="2018-08-15 12:00" >
<td class="pg1">
<a href="javascript:void(0);" id="v_1911" class="bj"><code style="display:none">零件</code><i>312</i></a>
<s></s>
</td>
<td class="pg2" title="kingSize">
<span class="p_upi"><s></s>KS</span>
</td>
<td class="pg3">
<span title="下单时间:2018-08-15 9:37" style="display:none">9:37</span>
<span title="受理时间:2018-08-15 10:30" style="display:none">10:30</span>
</td>
</tr>
网页很简单,没太多的杂质,就表格 td > tr 而已,只想快速地使用 python 完成这个目标而不纠缠太多
table 标签里的 table id,class,tr 标签里的 show,d,p,class,t 的属性很重要,每次不确定,需要根据这些内容来做另外的一些处理工作,
现在只学到了 beautifulsoup,似乎 beautifulsoup 爬虫只能找到标签后,对标签首和标签闭合之间的内容做处理,而对标签里面的属性做不了处理?
第一个问题:请问各位高手,我应该再去看什么文档或者库方法,可以既对标签属性进行套取,也可以对标签闭合直接(的内容)也处理呢?
以下代码有部分是伪代码而且书写有错误,但应该能把事情表达清楚?
#coding=UTF-8
import requests
from bs4 import BeautifulSoup
import lxml
#这个类省略,伪代码代替
class adddata():
def __init__():
def write(...):
#省略
retrun xxx
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
}
url = 'http://10.11.12.1/QuerryForJsp.action?GoodId=179&type=ztcip22'
page = requests.get(url,headers=headers)
soup = BeautifulSoup(page.text, "lxml")
#暂时储存独立变量,方便理解方式而已,以后会用 data[0],[1],[2]这样存储
d=''
p=''
t=''
i = 0
for tr in soup.select('tr'):
#第二个问题:目标代码表格有三个 tr (不确定每次都是三个),如何做个循环历遍每个 tr,同时每个 tr 标签里的特定属性如何储存到上面三个变量中
d = ???
p = ???
t = ???
#第三个问题:如何判断当前 tr 标签里,有没有 t 属性? 属性很多,我裁剪了一些,有些目标属性有时候是不会出现的。。。
#第四个问题,如何判断当前 tr 标签里,t 属性是不是空字符?例如:t = "",啥也没有。。。
adddata.write(d,Data_d)
adddata.write(p,Data_p)
adddata.write(t,Data_t)
i = i + 1
print('有',i,'项数据处理完毕')
1
WO31400 2018-08-16 00:56:04 +08:00
print(soup.find('tr').attrs['d']) #1.获取 tr 的属性值
print(len(soup.find_all('tr'))) #2.1 获取所有的 tr 个数 print(soup.find_all('tr')) #2.2 获取所有 tr 的内容 b = soup.find('tr').attrs.get('t') #3 和 4 一起解决。 有 t 取值,没 t 返回 None print(b) |
2
Trim21 2018-08-16 01:03:21 +08:00 via Android
|
3
WO31400 2018-08-16 01:05:14 +08:00
for tr in soup.select('tr'):
d = tr.attrs.get('d') p = tr.attrs.get('p') t = tr.attrs.get('t') if not t: print("t 是空字符") # 你所有的问题的都在代码里.... |
4
ma6254 2018-08-16 01:55:26 +08:00
去查官方文档 ❌
发帖等人解决 ✅ |
5
mnssbe 2018-08-16 10:21:26 +08:00
好消息 本站已经和百度达成战略合作 以后不用提问,直接上百度搜索就能解决问题
|
6
pppguest3962 OP 感谢楼上各位大大,特别感谢 @WO31400
还是不太明白方法处理的关键点。。。。 今天在测试爬表格, 忽然发现有些表格中有嵌套表格的形式。。。。 是这样的,我已经取得目标区域表格的代码, 目标区域表格嵌套的,表格中有表格。。。 ``` #执行 targettable = soup.select('tr > td') print (targettable[0]) #targettable 有好多个(行),先把第一行的表格处理吧, ``` 输出: ``` <td class="pagket"> <a class="ah" href="javascript:void(0);" id="p_109746"><code style="display:none">物件</code><i>77239</i></a> </td> <td class="pagketname" title="model16"> <a href="http://10.11.12.1/gooddata/1733356.html" target="_blank"><span class="2016"><s></s>蔡杰</span></a> </td> <td class="width"> <span id="w_19281" title="宽度">349</span> <span style="display:none" title="录入时间:2016-03-11 12:30">12:30</span> <span style="display:none" title="审核时间:2016-03-11 14:21">14:21</span> </td> <td class="weight"> <span id="wt_19281" title="重量">349</span> </td> <td class="conductor"> <em class="pm ">处理人 <i title="物件处理人">陈才华</i> </em> <a href="http://10.11.12.1/staff/41.html" target="_blank" title="联系人">陈才华</a> </td> ``` 第一个问题:在输出的第一行,是'td class'这种标签属性,应该如何从 targettable[0]中获取其内容? 我这样做是不行的,望请高手指点迷津... ``` print(targettable[0].find('td').attrs['class'])) print(targettable[0].find('td').attrs['td class'])) ``` 也试过这样: ``` for tr in soup.select('tr > td'): targettr = BeautifulSoup(tr.text, "lxml") #然后想对 targettr 做些什么,好像这条路做不通? ``` 第二个问题: ``` <td class="pagketname" title="model16"> ``` 读出 title 内容? 第三个问题:在 targettable[0]这个里面的<td class="width">标签里面,有两个内容,这种再嵌套的内容,如何读出来? ``` <span style="display:none" title="录入时间:2016-03-11 12:30">12:30</span> <span style="display:none" title="审核时间:2016-03-11 14:21">14:21</span> ``` |