iT邦幫忙

3

爬蟲問題-子標籤看不懂

  • 分享至 

  • xImage

新手發問,還請各位高手協助
以下是我想從圖書館爬取的資料,我已經可以找到書名:深入淺出Python
我利用
title = soup.select_one('span.briefcitTitle a')
print(title.text)
順利抓下書名,但我也想要將其他欄位資訊,如作者、出版社、出版年、借閱到期日等,要如何爬取?
例如作者前面<br />不是斷行的意思??子標籤如何辨識??

謝謝高手協助!!

<!-- Right Result rank 1 -->
<tr  class="browseSuperEntry browseEntryRelGroup1"><td colspan="1"><img src="/screens/relevance5.gif" alt="最有關的">&nbsp;最有關的 標題&nbsp;條目 1-184</td></tr>
<!-- Rel 2007 "Skyline" Example Set -->
<!-- This File Last Changed: 15 February 2008 -->
<tr>
<td class="briefCitRow">
<table width="100%" border="0" cellspacing="0" cellpadding="0">
<tr valign="top">
<td width="40" align="center" class="briefcitEntry" >
<div class="briefcitEntryNum">
<a name='anchor_1'></a> 1<!--this is customized <screens/briefcit_cht.html>-->
</div>
<div class="briefcitMedia">
 <img src="/screens/media_book.gif" alt="印刷型資料"></div>
<input type="checkbox" 
name="save" value="b2214278" >
</td>
<td align="left" class="briefcitDetail">
<!--{nohitmsg}-->
<span class="briefcitTitle">
<a href="/search~S2*cht?/Xpython&searchscope=2&SORT=DZ/Xpython&searchscope=2&SORT=DZ&extended=0&SUBKEY=python/0%2C291%2C291%2CB/frameset&FF=Xpython&searchscope=2&SORT=DZ&1%2C1%2C">深入淺出Python</a></span>
<br />
巴瑞 (Barry, Paul)<br />
臺北市 : 碁峰資訊, 2019[民108]<!--
<div>
2019</div>
-->
<br/>
<span>評級:</span>

<span id="rategroup1"><a href="/patroninfo~S2*cht/0/redirect=/search~S2*cht?/Xpython&searchscope=2&SORT=DZ/Xpython&searchscope=2&SORT=DZ&extended=0&SUBKEY=python/0%2C291%2C291%2CB/browse#anchor_1"><img src="/screens/rate_no.gif" border="0" width="75" height="14" title="No one has rated this material" /></a>

</span><div class="briefcitRequest">
<a href="/search~S2*cht?/Xpython&searchscope=2&SORT=DZ/Xpython&searchscope=2&SORT=DZ&extended=0&SUBKEY=python/0%2C291%2C291%2CC/requestbrowse~b2214278&FF=Xpython&searchscope=2&SORT=DZ&1%2C1%2C"><img src="/screens/bullet.gif" alt="Bullet Point" border="0" style="margin-right:5px"/>預約</a></div>
<span class="briefcitStatus">
<font color="red">
</font>
</span>
<div class="briefcitActions">
&nbsp;</div>
<div class="briefcitItems">
<table width="100%" border="0" cellspacing="1" cellpadding="2" class="bibItems">
<tr  class="bibItemsHeader">
<th width="18%"  class="bibItemsHeader">
館藏地
</th>
<th width="13%"  class="bibItemsHeader">
條碼
</th>
<th width="20%"  class="bibItemsHeader">
索書號
</th>
<th width="18%"  class="bibItemsHeader">
冊次
</th>
<th width="6%"  class="bibItemsHeader">
年代
</th>
<th width="25%"  class="bibItemsHeader">
狀態 (<a href="/screens/status_description_cht.html" target="blank"><font color="BLUE">說明</font></a>)
</th>
</tr>
<tr  class="bibItemsEntry">

<td width="18%" ><!-- field 1 -->&nbsp;1F 中文書庫 
</td>
<td width="13%" ><!-- field b -->&nbsp;C322014 </td>
<td width="20%" ><!-- field C -->&nbsp;312.32P97 550-2 2019 <a href="/search~S2*cht?/l312.32P97+550-2+2019/l312.32p97++++++550-+++++++2/-3,-1,,B/browse">《鄰近架位館藏》</a></td>
<td width="18%" ><!-- field v --></td>
<td width="6%" ><!-- field d -->&nbsp;2019 </td>
<td width="25%" ><!-- field % -->&nbsp;到期 19-09-23 +1 已催還 </td></tr>
</table>

</div>
</td>
<td align="center" width="5%">
<a href="http://findbook.tw/book/9789864769902/basic" target="_parent"><img src="/bookjacket?recid=b2214278&size=0" border="0" alt="書本封面"></a></td>
</tr>
</table>
</td>
</tr>

看更多先前的討論...收起先前的討論...
ccutmis iT邦高手 2 級 ‧ 2019-09-23 07:48:31 檢舉
soup的選擇器跟CSS的一樣,如果你不懂CSS選擇器的運作原理可以看這邊
http://www.runoob.com/cssref/css-selectors.html
理解CSS選擇器的運作原理之後就可以用
soup.select('tr.bibItemsHeader th.bibItemsHeader')
取得 '館藏地 條碼 索書號 冊次 年代 狀態'....的串列(List),
因為這邊的html結構是
<tr class="bibItemsHeader">
<th class="bibItemsHeader">...</th>
<th class="bibItemsHeader">...</th>

<th class="bibItemsHeader">...</th>
<th class="bibItemsHeader">...</th>
</tr>
最近鐵人賽有不少python跟css的好文可以去找來看
ps.我個人是不用soup的,我偏好用RegEXP...^~^"
froce iT邦大師 1 級 ‧ 2019-09-23 09:40:49 檢舉
不要再用soup了...
pyquery可以讓你像寫jQuery一樣寫selector。
甚至你還可以用整合起來的 requests-html...
dragonH iT邦超人 5 級 ‧ 2019-09-23 10:03:58 檢舉
好像很多 python 爬蟲的文章都教 soup XD
froce iT邦大師 1 級 ‧ 2019-09-23 10:48:02 檢舉
那是早期的作法。
soup基本上是較低階的api,就像原生JS的DOM操作和jQuery一樣。
初學者,如果你不想研讀soup那一大篇的文件,requests-html 的文件只有一頁...
懂css selector就能用了。
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

1 個回答

3
dragonH
iT邦超人 5 級 ‧ 2019-09-23 09:21:33
最佳解答

爬蟲有的時候會遇到結構不太好爬的 html

所以你必須研究它的結構

但我也想要將其他欄位資訊,如作者、出版社、出版年、借閱到期日等,要如何爬取?

有幾種方法

1 .

你可以像 ccutmis大說的用

tr.bibItemsHeader th.bibItemsHeader

2 .

也可以去取得

table.bibItems 底下的每個的 tr

第一個 tr 的 child th

會是標題

接下來的 tr 就會是你要的資料

例如作者前面<br />不是斷行的意思??子標籤如何辨識??

基本上 br 不需要理他

其他請參考beautifulSoup 的 CSS Selector

看更多先前的回應...收起先前的回應...
ccutmis iT邦高手 2 級 ‧ 2019-09-23 09:24:35 檢舉

用 RegEXP...
/images/emoticon/emoticon82.gif

dragonH iT邦超人 5 級 ‧ 2019-09-23 09:25:35 檢舉

/images/emoticon/emoticon37.gif

ccutmis iT邦高手 2 級 ‧ 2019-09-23 09:44:20 檢舉

小魚 iT邦大師 1 級 ‧ 2019-09-23 10:42:32 檢舉
  1. 學習正規表示式
ccutmis iT邦高手 2 級 ‧ 2019-09-23 10:51:18 檢舉

5.發包給小魚

player iT邦大師 1 級 ‧ 2019-09-23 21:32:00 檢舉

正規表示式(有人要學這個嗎?)
http://www.greenend.org.uk/rjk/tech/regexp.html

我要發表回答

立即登入回答