BeautifulSoup 迭代不起作用

Question

from bs4 import BeautifulSoup
import requests
s=requests.Session()
r=s.get('http://www.virginiaequestrian.com/main.cfm?action=greenpages&GPType=8')
soup=BeautifulSoup(r.text,'html5lib')

DataGrid=soup.find('tbody')
test=[]
for tr in DataGrid.find_all('tr')[:3]:
        for td in tr.find_all('td'):
            print td.string

您好，我正在尝试解析该网站的 html (http://www.virginiaequestrian.com/main.cfm?action=greenpages&GPType=8) 并获取表格数据。我试图从结果中排除前三个表行，但由于某种原因，我无法让解析器执行此操作。这是我的第一次专业抓取尝试，我完全不知道如何让它工作。我猜这可能与我正在使用的 html5lib 解析器有关，但老实说我不知道​​。有人可以告诉我如何让这个工作吗？

作为一个很好的测试，提取前三行数据非常有用。这样我可以确信完成的查询将从这些之外的任何内容中提取。

例如，表格中的第一行将是“Equestrian Web Sites”

Answer 1

你只取前三个而不忽略[:3]，它从列表中切出前三个元素：

 DataGrid.find_all('tr')[:3] # first three elements

应该是DataGrid.find_all('tr')[3:] # 除了前三个元素之外的所有元素

from bs4 import BeautifulSoup
import requests

r=requests.get('http://www.virginiaequestrian.com/main.cfm?action=greenpages&GPType=8')
soup=BeautifulSoup(r.content)

tbl = soup.find("table")
for tag in tbl.find_all("tr")[3:]:
    for td in tag.find_all('td'):
        print td.text

上述tbl.find_all("tr") 切片并使用两个不同的解析器输出时：

In [20]: soup=BeautifulSoup(r.content,"html.parser")

In [21]: tbl = soup.find("table")

In [22]: len(tbl.find_all("tr"))
Out[22]: 364

In [23]: len(tbl.find_all("tr")[3:])
Out[23]: 361

In [24]: soup=BeautifulSoup(r.content,"lxml")

In [25]: tbl = soup.find("table")

In [26]: len(tbl.find_all("tr")[3:])
Out[26]: 361

In [27]: len(tbl.find_all("tr"))
Out[27]: 364

如果你真的想要more hrefs，那么你应该这样做，为每个tr 获取a 标签，在你真正想要的行之前还有6个tr，所以你需要跳过6：

tbl = soup.find("table")
out = (tag.find('a') for tag in tbl.find_all("tr")[6:])

for a in out:
    print(a["href"])

输出：

main.cfm?action=greenpages&sub=view&ID=9068
main.cfm?action=greenpages&sub=view&ID=9504
main.cfm?action=greenpages&sub=view&ID=10868
main.cfm?action=greenpages&sub=view&ID=10261
main.cfm?action=greenpages&sub=view&ID=10477
main.cfm?action=greenpages&sub=view&ID=10708
main.cfm?action=greenpages&sub=view&ID=11712
main.cfm?action=greenpages&sub=view&ID=12402
main.cfm?action=greenpages&sub=view&ID=12496
..................

要使用链接，只需在主网址前添加：

for a in out:
    print("http://www.virginiaequestrian.com/{}".format(a["href"]))

输出：

http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=9068
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=9504
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10868
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10261
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10477
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=10708
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=11712
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=12402
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=12496
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=12633
http://www.virginiaequestrian.com/main.cfm?action=greenpages&sub=view&ID=13528

如果您打开第一个将引导您到马术网站，即您想要的第一个数据。