Beautiful Soup 代码给出了意想不到的结果（已编辑）答案

【问题标题】：Beautiful Soup code gives unexpected results (edited)Beautiful Soup 代码给出了意想不到的结果（已编辑）
【发布时间】：2017-01-11 19:54:47
【问题描述】：

（根据收到的反馈对问题进行了编辑。我将根据收到的输入继续对其进行编辑，直到问题得到解决）

我正在学习 Pyhton 和特别是美丽的汤，我正在使用一组包含不同年份流行婴儿名字的 html 文件（例如 baby1990.html 等）在正则表达式上进行 Google 练习。如果您有兴趣，可以在这里找到这个数据集：https://developers.google.com/edu/python/exercises/baby-names

每个 html 文件都包含一个表格，其中包含如下所示的婴儿姓名数据：

在带有婴儿名字的表格之前还有另一张表格。两个表的Tags中的html代码分别如下

<table width="100%" border="0" cellspacing="0" cellpadding="4"> # Unwanted table
<table width="100%" border="0" cellspacing="0" cellpadding="4" summary="formatting">  # targeted table

您可能会观察到目标与不需要的表的属性不同：summary="formatting"

第一个表格——我们必须跳过的那个——有以下 html 代码：

<table width="100%" border="0" cellspacing="0" cellpadding="4">
  <tbody>
  <tr><td class="sstop" valign="bottom" align="left" width="25%">
      Social Security Online
    </td><td valign="bottom" class="titletext">
      <!-- sitetitle -->Popular Baby Names
    </td>
  </tr>
  <tr bgcolor="#333366"><td colspan="2" height="2"></td></tr>
  <tr><td class="graystars" width="25%" valign="top">
       <a href="../OACT/babynames/">Popular Baby Names</a></td><td valign="top"> 
      <a href="http://www.ssa.gov/"><img src="/templateimages/tinylogo.gif"
      width="52" height="47" align="left"
      alt="SSA logo: link to Social Security home page" border="0"></a><a name="content"></a>
      <h1>Popular Names by Birth Year</h1>September 12, 2007</td>
  </tr>
  <tr bgcolor="#333366"><td colspan="2" height="1"></td></tr>
</tbody></table>

在目标表中，代码如下：

<table width="100%" border="0" cellspacing="0" cellpadding="4" summary="formatting">
<tr valign="top"><td width="25%" class="greycell">
<a href="../OACT/babynames/background.html">Background information</a>
<p><br />
&nbsp; Select another <label for="yob">year of birth</label>?<br />      
<form method="post" action="/cgi-bin/popularnames.cgi">
&nbsp; <input type="text" name="year" id="yob" size="4" value="1990">
<input type="hidden" name="top" value="1000">
<input type="hidden" name="number" value="">
&nbsp; <input type="submit" value="   Go  "></form>
</td><td>
<h3 align="center">Popularity in 1990</h3>
<p align="center">
<table width="48%" border="1" bordercolor="#aaabbb"
 cellpadding="2" cellspacing="0" summary="Popularity for top 1000">
<tr align="center" valign="bottom">
<th scope="col" width="12%" bgcolor="#efefef">Rank</th>
<th scope="col" width="41%" bgcolor="#99ccff">Male name</th>
<th scope="col" bgcolor="pink" width="41%">Female name</th></tr>
<tr align="right"><td>1</td><td>Michael</td><td>Jessica</td> # Targeted row
<tr align="right"><td>2</td><td>Christopher</td><td>Ashley</td> # Targeted row
etc...

您可以看到目标行的独特属性是：align = "right"。

现在提取目标单元格内容的代码如下：

with open("C:/Users/ALEX/MyFiles/JUPYTER NOTEBOOKS/google-python-exercises/babynames/baby1990.html","r") \
as f: soup = bs(f.read(), 'html.parser') 

print soup.tr
print "number of elemenents in the soup:" , len(soup)

right_table = soup.find("table", summary = "formatting")

print(right_table.prettify())

print "right_table" , len(right_table)

print(right_table[0].prettify())

for row in right_table[1].find_all("tr", allign = "right"):

     cells = row.find_all("td")

     try:
                            print "cells[0]: " , cells[0]
     except:
                            print "cells[0] : NaN"
     try:
                            print "cells[1]: " , cells[1]
     except:
                            print "cells[1] : NaN"    
     try:
                            print "cells[2]: " , cells[2]
     except:
                            print "cells[2] : NaN"

输出是一条错误消息：

    <tr><td align="left" class="sstop" valign="bottom" width="25%">
      Social Security Online
    </td><td class="titletext" valign="bottom">
<!-- sitetitle -->Popular Baby Names
    </td>
</tr>
number of elemenents in the soup: 4
---------------------------------------------------------------------------
RuntimeError                              Traceback (most recent call last)
<ipython-input-116-3ec77a65b5ad> in <module>()
      6 right_table = soup.find("table", summary = "formatting")
      7 
----> 8 print(right_table.prettify())
      9 
     10 print "right_table" , len(right_table)

C:\users\alex\Anaconda2\lib\site-packages\bs4\element.pyc in prettify(self, encoding, formatter)
   1198     def prettify(self, encoding=None, formatter="minimal"):
   1199         if encoding is None:
-> 1200             return self.decode(True, formatter=formatter)
   1201         else:
   1202             return self.encode(encoding, True, formatter=formatter)

C:\users\alex\Anaconda2\lib\site-packages\bs4\element.pyc in decode(self, indent_level, eventual_encoding, formatter)
   1164             indent_contents = None
   1165         contents = self.decode_contents(
-> 1166             indent_contents, eventual_encoding, formatter)
   1167 
   1168         if self.hidden:

C:\users\alex\Anaconda2\lib\site-packages\bs4\element.pyc in decode_contents(self, indent_level, eventual_encoding, formatter)
   1233             elif isinstance(c, Tag):
   1234                 s.append(c.decode(indent_level, eventual_encoding,
-> 1235                                   formatter))
   1236             if text and indent_level and not self.name == 'pre':
   1237                 text = text.strip()

... last 2 frames repeated, from the frame below ...

C:\users\alex\Anaconda2\lib\site-packages\bs4\element.pyc in decode(self, indent_level, eventual_encoding, formatter)
   1164             indent_contents = None
   1165         contents = self.decode_contents(
-> 1166             indent_contents, eventual_encoding, formatter)
   1167 
   1168         if self.hidden:

RuntimeError: maximum recursion depth exceeded while calling a Python object

问题如下：

既然我们已经传递了参数 summary = "formatting"，为什么代码会返回第一个表——不需要的表？
错误消息意味着什么？为什么要创建它？
您可以在代码中观察到哪些其他错误 - 如果有的话？

您的建议将不胜感激。

【问题讨论】：

如果不得不猜测，我会说soup.find 没有发现任何事件，因此它返回了None。这就是为什么您在尝试获取长度时遇到错误的原因。再次查看该函数的参数和您正在使用的文件，看看为什么它没有找到任何东西。
关于文本，随机的空格和缩进让它看起来很乱。最后一部分可能以列表理解的形式组合在一起，而不是三个不同的TryExcept。也不要简单地使用Except，它可能会忽略一些您不想要的异常。如果您无法更准确地了解预期的异常，请使用 Except exception as e 并在该块中使用 `print(e)´
@Zanzag 感谢您写下您的意见。当您说文本混乱时，我不太明白您的意思。我已经发布了 html 代码和代码，以便您可以检查它们并诊断问题而不是猜测。

标签： python html beautifulsoup

【解决方案1】：

summary_ = "formatting"
allign_ = "right"

删除_，只有class_有_。

搜索具有特定 CSS 类的标签非常有用，但是 CSS 属性的名称“class”是 Python 中的保留字。使用 class 作为关键字参数会给你一个语法错误。作为 Beautiful Soup 4.1.2，您可以使用关键字按CSS类搜索论据class_

with open('/home/li/Downloads/google-python-exercises/babynames/baby2006.html') as f:
    soup = bs4.BeautifulSoup(f, 'lxml')
    table = soup.find(summary="Popularity for top 1000")
    for tr in table.find_all('tr'):
        tds = list(tr.stripped_strings)
        print(tds)

出来：

['Rank', 'Male name', 'Female name']
['1', 'Jacob', 'Emily']
['2', 'Michael', 'Emma']
['3', 'Joshua', 'Madison']
['4', 'Ethan', 'Isabella']
['5', 'Matthew', 'Ava']
['6', 'Daniel', 'Abigail']
['7', 'Christopher', 'Olivia']
['8', 'Andrew', 'Hannah']
['9', 'Anthony', 'Sophia']
['10', 'William', 'Samantha']
['11', 'Joseph', 'Elizabeth']

【讨论】：

我已按照建议编辑了删除 _ 的代码。由于某种原因，代码继续失败。欢迎您提出意见和反馈。
我没有。我恢复了它。不知何故自行取消选择它。这同样适用于前面的评论。谢谢你的回答！
是的！但请向我解释：为什么传递给摘要的值是“前 1000 名的人气”？ html 代码有 summary = "formatting" 并且 "Popularity for top 1000" 出现在标签内。
@im7 缩小范围，这样你就不必担心HTML代码中的第一个表，因为它在小范围内是不存在的。

【解决方案2】：

我认为您误读了属性搜索。

如果您正在寻找“摘要等于“前 1000 名的人气”，您应该使用：

soup.find('table', summary="Popularity for top 1000")

希望对你有用！

【讨论】：