python – 使用Beautiful Soup刮:为什么get_text方法不会返回此元素的文本?
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python – 使用Beautiful Soup刮:为什么get_text方法不会返回此元素的文本?,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含3382字,纯文字阅读大概需要5分钟。
内容图文
最近我一直在研究python中的一个项目,涉及为某些代理抓取一些网站.我遇到的问题是,当我试图刮掉一个众所周知的代理站点时,当我要求它找到代理表中IP的位置时,Beautiful Soup并不能达到我的预期.我将尝试为每个代理的IP代替,当我在相应的元素上使用Beautiful Soup的.get_text()方法时,我会得到这样的输出.
...
.UbZT{display:none}
.f5fa{display:inline}
.Glj2{display:none}
.cUce{display:inline}
.zjUZ{display:none}
.GzLS{display:inline}
98120169.117.186373161218218.83839393101138154165203242
...
这是我要解析的元素(包含IP的td标记):
<td><span><style>
.lLXJ{display:none}
.qRCB{display:inline}
.qC69{display:none}
.V0zO{display:inline}
</style><span style="display: inline">190</span><span class="V0zO">.</span><span
style="display:none">2</span><div style="display:none">20</div><span
style="display:none">51</span><span style="display:none">56</span><div
style="display:none">56</div><span style="display:none">61</span><span
class="lLXJ">61</span><div style="display:none">61</div><span
class="qC69">110</span><div
style="display:none">110</div><span style="display:none">135</span><div
style="display:none">135</div><span class="V0zO">221</span><span
style="display:none">234</span><div style="display:none">234</div><span class="147">.
</span><span style="display: inline">29</span><div style="display:none">44</div><span
style="display:none">228</span><span></span><span class="qC69">248</span>.<span
style="display:none">7</span><span></span><span style="display:none">44</span><span
class="qC69">44</span><span class="qC69">80</span><span></span><span
style="display:none">85</span><span class="lLXJ">85</span><div
style="display:none">85</div><span class="qC69">100</span><div
style="display:none">100</div><span></span><span class="qC69">130</span><div
style="display:none">130</div><div style="display:none">168</div>212<span
style="display:none">230</span><span class="qC69">230</span><div
style="display:none">230</div></span></td>
该元素的实际文本只是代理的IP.
这是我的代码片段:
# Hide My Ass
pages = ['https://www.hidemyass.com/proxy-list']
for page in pages:
hidemyass = Soup(requests.get(page).text)
rows = hidemyass.find_all(lambda tag:tag.name=='tr' and tag.has_attr('class'))
for row in rows:
fields = row.find_all('td')
# get ip, port, and protocol for proxy
ip = fields[1].get_text() # <-- Here's the above td element
port = fields[2].get_text()
protocol = fields[6].get_text().lower()
# store proxy in database
db.add_proxy({'ip':ip,'port':port,'protocol':protocol})
num_found += 1
是否有正确的方法来解析此元素,以便输出不会像这样混乱?看起来直观的是,Beautiful Soup的.get_text()方法会准确返回网站上可见的文本,但我认为这不是真的.感谢您的帮助或建议.
解决方法:
BeautifulSoup无法区分HTML标记中的可见文本与其他文本.这个特定的网站非常好地混淆了标记,并使网页的抓取更加复杂.您可以尝试了解哪些文本是可见的,但这并不容易,因为插入了许多不相关的元素,可以通过样式或类直接使其不可见.一些IP部分处于跨度中,其中一些不是任何标记的一部分.
一种解决方法是使用Selenium,它只能从元素中获取可见文本.例如,此代码将打印特定表中的所有IP:
from selenium.webdriver.firefox import webdriver
browser = webdriver.WebDriver()
browser.get('https://www.hidemyass.com/proxy-list')
rows = browser.find_elements_by_xpath('//table[@id="listtable"]//tr')
for row in rows[1:]:
cells = row.find_elements_by_tag_name('td')
print cells[1].text
browser.close()
也可以看看:
> BeautifulSoup Grab Visible Webpage Text
希望有所帮助.
内容总结
以上是互联网集市为您收集整理的python – 使用Beautiful Soup刮:为什么get_text方法不会返回此元素的文本?全部内容,希望文章能够帮你解决python – 使用Beautiful Soup刮:为什么get_text方法不会返回此元素的文本?所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。