如何从特定表格元素中抓取特定文本

Question

我正在尝试从亚马逊产品页面上的特定表格元素中抓取特定文本。

URL_1 包含所有元素 - https://www.amazon.com/dp/B008Q5LXIE/ URL_2 只有“销售排名” - https://www.amazon.com/dp/B001V9X26S

网址_1： “产品详细信息”表有 9 个项目，我只对“产品尺寸”、“运输重量”、项目型号和所有“卖家排名”感兴趣

我无法解析这些项​​目上的文本，因为有些项目位于一个代码块中，而其他项目则没有。

我正在使用 beautifulsoup，我在桌子上运行了 text.strip() 并得到了一切，但非常混乱。我已经尝试过 soup.find('li') 和 text.strip() 来查找单个元素，但是对于卖家排名，它返回的所有 3 个排名在一次返回中混杂在一起。我也尝试过正则表达式来清理文本，但它不适用于 4 个不同的卖家等级。我已经成功使用 Try, except, Pass 方法进行抓取，并且每个格式都采用该格式

A bad example of the code used, I was trying to get sales rank past the </b> 
element in the HTML
#Sales Rank
        sales_rank ='NOT'
        try:
            sr = soup.find('li', attrs={'id':'SalesRank'})
            sales_rank = sr.find('/b').text.strip()
        except:
            pass

我希望能够将列出的元素抓取到字典中。我希望看到结果为

dimensions = 6x4x4
weight = 4.8 ounces
Item_No = IT-DER0-IQDU
R1_NO = 2,036
R1_CAT = Health & Household
R2_NO = 5
R2_CAT = Joint & Muscle Pain Relief Medications
R3_NO = 3
R3_CAT = Naproxen Sodium
R4_NO = 6
R4_CAT = Migraine Relief

my_dict =   {'dimensions':'dimensions','weight':'weight','Item_No':'Item_No', 'R1_NO':R1_NO,'R1_CAT':'R1_CAT','R2_NO':R2_NO,'R2_CAT':'R2_CAT','R3_NO':R3_NO,'R3_CAT':'R3_CAT','R4_CAT':'R4_CAT'}

网址_2： 页面上唯一感兴趣的元素是“销售排名”。 “产品尺寸”、“装运重量”、产品型号不存在。但是，我想要一个类似于 URL_1 的返回值，但缺少的元素的值为“NA”。结果与 URL_1 相同，仅当元素不存在时给出“NA”。通过在 Try/Except 语句之前设置一个值，我已经成功地实现了这一点。例如： Shipping Weight = 'NA' ... 然后运行 ​​try/except: pass ，所以我得到 'NA' 并且我的字典不为空。

Answer 1

您可以在 bs4 4.7.1 中使用 stripped_strings 和 :contains。这感觉就像是为了获得所需的输出格式而费尽心思。当然，有更多 python 经验的人可以减少这种情况并提高其效率。合并取自 @aaronhall 的 dicts 语法。

import requests
from bs4 import BeautifulSoup as bs
import re

links = ['https://www.amazon.com/Professional-Dental-Guard-Remoldable-Customizable/dp/B07L4YHBQ4', 'https://www.amazon.com/dp/B0040ODFK4/?tag=stackoverfl08-20']

for link in links:

    r = requests.get(link, headers = {'User-Agent': 'Mozilla\5.0'})
    soup = bs(r.content, 'lxml')
    fields = ['Product Dimensions', 'Shipping Weight', 'Item model number', 'Amazon Best Sellers Rank']

    temp_dict = {}

    for field in fields:
        element = soup.select_one('li:contains("' + field + '")')
        if element is None:
            temp_dict[field] = 'N/A'
        else:
            if field == 'Amazon Best Sellers Rank':
                item = [re.sub('#|\(','', string).strip() for string in soup.select_one('li:contains("' + field + '")').stripped_strings][1].split(' in ')
                temp_dict[field] = item
            else:
                item = [string for string in element.stripped_strings][1]
                temp_dict[field] = item.replace('(', '').strip()

    ranks = soup.select('.zg_hrsr_rank')
    ladders = soup.select('.zg_hrsr_ladder')

    if ranks:
        cat_nos = [item.text.split('#')[1] for item in ranks]
    else:
         cat_nos = ['N/A']

    if ladders:                      
        cats = [item.text.split('\xa0')[1] for item in soup.select('.zg_hrsr_ladder')]
    else:
        cats = ['N/A']

    rankings = dict(zip(cat_nos, cats))

    map_dict = {
        'Product Dimensions': 'dimensions',
        'Shipping Weight': 'weight', 
        'Item model number': 'Item_No',
        'Amazon Best Sellers Rank': ['R1_NO','R1_CAT']
    }

    final_dict = {}

    for k,v in temp_dict.items():
        if k == 'Amazon Best Sellers Rank' and v!= 'N/A':
            item = dict(zip(map_dict[k],v))
            final_dict = {**final_dict, **item}
        elif k == 'Amazon Best Sellers Rank' and v == 'N/A':
            item = dict(zip(map_dict[k], [v, v]))
            final_dict = {**final_dict, **item}
        else:
            final_dict[map_dict[k]] = v

    for k,v in enumerate(rankings):
        #print(k + 1, v, rankings[v])
        prefix = 'R' + str(k + 2) + '_'
        final_dict[prefix + 'NO'] = v  
        final_dict[prefix + 'CAT'] = rankings[v]

    print(final_dict)