BeautifulSoup 使用循环从多个 div 中抓取信息到 JSON

Question

我正在从遵循相同结构的多个 div 中抓取标题、描述、链接和人名。我正在使用 BeautifulSoup，我能够从第一个 div 中刮掉所有东西。但是，我无法从长长的 div 列表中抓取数据，并以 CSV 或 JSON 等可移植格式获取数据。

如何从长长的 div 列表中抓取每个项目，并将这些信息存储在 JSON 对象中，用于每个 mp3？

div 看起来像这样：

<div class="audioBoxWrap clearBoth">
    <h3>Title 1</h3>
    <p>Description 1</p>
    <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
    <div class="audioBox" style="display: none;">
        stuff
    </div>
    <div> [ <a href="link1.mp3">Right-click to download</a>] </div>
</div>
<div class="audioBoxWrap clearBoth">
    <h3>Title 2</h3>
    <p>Description 2</p>
    <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
    <div class="audioBox" style="display: none;">
        stuff
    </div>
    <div> [ <a href="link2.mp3">Right-click to download</a>] </div>
</div>

我已经弄清楚如何从第一个 div 中抓取，但我无法获取每个 div 的信息。例如，我下面的代码只会一遍又一遍地为第一个 div 吐出 h3。

我知道我可以为标题、描述等创建一个 python 列表，但是我如何保持像 JSON 这样的元数据结构，以便 title1、link1 和 description1 保持在一起，以及 title2 的信息。

with open ('soup.html', 'r') as myfile:
    html_doc = myfile.read()

    soup = BeautifulSoup(html_doc, 'html.parser')

    audio_div = soup.find_all('div', {'class':"audioBoxWrap clearBoth"})

    print len(audio_div)
    #create dictionary for storing scraped data. I don't know how to store the values for each mp3 separately.

    for i in audio_div:
        print soup.find('h3').text

我希望我的 JSON 看起来像这样：

{  
   "podcasts":[  
      {  
         "title":"title1",
         "description":"description1",
         "link":"link1"
      },
      {  
         "title":"title2",
         "description":"description2",
         "link":"link2"
      }
   ]
}

Answer 1

遍历每个音轨并进行特定于上下文的搜索：

from pprint import pprint

from bs4 import BeautifulSoup

data = """
<div>
    <div class="audioBoxWrap clearBoth">
        <h3>Title 1</h3>
        <p>Description 1</p>
        <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
        <div class="audioBox" style="display: none;">
            stuff
        </div>
        <div> [ <a href="link1.mp3">Right-click to download</a>] </div>
    </div>
    <div class="audioBoxWrap clearBoth">
        <h3>Title 2</h3>
        <p>Description 2</p>
        <div class="info" style="line-height: 1px; height: 1px; font-size: 1px;"></div>
        <div class="audioBox" style="display: none;">
            stuff
        </div>
        <div> [ <a href="link2.mp3">Right-click to download</a>] </div>
    </div>
</div>"""

soup = BeautifulSoup(data, "html.parser")

tracks = soup.find_all('div', {'class':"audioBoxWrap clearBoth"})
result = {
    "podcasts": [
        {
            "title": track.h3.get_text(strip=True),
            "description": track.p.get_text(strip=True),
            "link": track.a["href"]
        }
        for track in tracks
    ]
}
pprint(result)

打印：

{'podcasts': [{'description': 'Description 1',
               'link': 'link1.mp3',
               'title': 'Title 1'},
              {'description': 'Description 2',
               'link': 'link2.mp3',
               'title': 'Title 2'}]}