html scrape - Python e BeautifulSoup, non trovando 'a'





tag inside (5)


Potrebbe essere che il problema è stato risolto nella versione 3.1.0 , potrei analizzare il tuo,

>>> html="""<h4>
... <a rel="nofollow" class="taggedlink " href="http://imfy.us/" >Generate Secure Links with Anony
... <span class="saverem">
...   <em class="bookmark-actions">
...     <strong><a class="inlinesave action" href="/save?url=http%3A%2F%2Fimfy.us%2F&amp;title=Gen
...   </em>
... </span>
... </h4>"""
>>>
>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup(html)
>>> tags = soup.findAll('a', attrs={'class':'inlinesave action'})
>>> print len(tags)
1
>>> tags
[<a class="inlinesave action" href="/save?url=http%3A%2F%2Fimfy.us%2F&amp;title=Generate%20Secure%
>>>

Ho provato anche con BeautifulSoup 2.1.1, non funziona affatto.

Ecco un pezzo di codice HTML (delizioso):

<h4>
<a rel="nofollow" class="taggedlink " href="http://imfy.us/" >Generate Secure Links with Anonymous Referers &amp; Anti-Bot Protection</a>
<span class="saverem">
  <em class="bookmark-actions">
    <strong><a class="inlinesave action" href="/save?url=http%3A%2F%2Fimfy.us%2F&amp;title=Generate%20Secure%20Links%20with%20Anonymous%20Referers%20%26%20Anti-Bot%20Protection&amp;jump=%2Fdux&amp;key=fFS4QzJW2lBf4gAtcrbuekRQfTY-&amp;original_user=dux&amp;copyuser=dux&amp;copytags=web+apps+url+security+generator+shortener+anonymous+links">SAVE</a></strong>
  </em>
</span>
</h4>

Sto cercando di trovare tutti i link in cui class = "inlinesave action". Ecco il codice:

sock = urllib2.urlopen('http://delicious.com/theuser')
html = sock.read()
soup = BeautifulSoup(html)
tags = soup.findAll('a', attrs={'class':'inlinesave action'})
print len(tags)

Ma non trova nulla!

qualche idea?

Grazie




Potresti avanzare in qualche modo usando il pyparsing:

from pyparsing import makeHTMLTags, withAttribute

htmlsrc="""<h4>... etc."""

atag = makeHTMLTags("a")[0]
atag.setParseAction(withAttribute(("class","inlinesave action")))

for result in atag.searchString(htmlsrc):
    print result.href

Fornisce (output di risultati lunghi tagliato a "..."):

/save?url=http%3A%2F%2Fimfy.us%2F&amp;title=Genera...+anonymous+links



Metodi di stringa Python

html=open("file").read()
for item in html.split("<strong>"):
    if "class" in item and "inlinesave action" in item:
        url_with_junk = item.split('href="')[1]
        m = url_with_junk.index('">') 
        print url_with_junk[:m]



Se vuoi cercare un'ancora con esattamente quelle due classi, dovresti usare un'espressione regolare, penso:

tags = soup.findAll('a', attrs={'class': re.compile(r'\binlinesave\b.*\baction\b')})

Tieni presente che questa class="action inlinesave" non funzionerà se l'ordinamento dei nomi di classe è invertito ( class="action inlinesave" ).

La seguente dichiarazione dovrebbe funzionare per tutti i casi (anche se sembra imbruttita.):

soup.findAll('a', 
    attrs={'class': 
        re.compile(r'\baction\b.*\binlinesave\b|\binlinesave\b.*\baction\b')
    })



Se dovessi iterare nums = [1,2,3,4,5], lo farei

for i, num in enumerate(nums, start = 1):
    print(i, num)

Oppure ottieni la lunghezza come l = len (nums)

for i, num in range(1, l + 1):
    print(i, nums[i])




python html beautifulsoup