美女找不到特克斯

Question

我试图用python编写一个scraper，使用urllib和beautifulsoup。我有一个csv网址的新闻故事，和约80%的网页刮板工作，但当有一个图片在顶部的故事，脚本不再拉时间或正文文本。我很困惑因为汤。找以及汤。找到所有似乎不会产生不同的结果。我已经尝试了各种不同的标签，它们可以捕捉文本以及'lxml'和'html.parser.'

代码如下：

testcount = 0
titles1 = []
bodies1 = []
times1 = []

data = pd.read_csv('URLsALLjun27.csv', header=None)
for url in data[0]:
try:
    html = urllib.request.urlopen(url).read()
    soup = BeautifulSoup(html, "lxml")

    titlemess = soup.find(id="title").get_text() #getting the title
    titlestring = str(titlemess) #make it a string
    title = titlestring.replace("\n", "").replace("\r","")
    titles1.append(title)

    bodymess = soup.find(class_="article").get_text() #get the body with markup
    bodystring = str(bodymess) #make body a string
    body = bodystring.replace("\n", "").replace("\u3000","") #scrub markup
    bodies1.append(body) #add to list for export

    timemess = soup.find('span',{"class":"time"}).get_text()
    timestring = str(timemess)
    time = timestring.replace("\n", "").replace("\r","").replace("年", "-").replace("月","-").replace("日", "")
    times1.append(time)

    testcount = testcount +1 #counter
    print(testcount)
except Exception as e:
    print(testcount, e)

下面是我得到的一些结果（那些标记为“nonetype”的结果是标题被成功提取，但是body/time是空的）

1http://news.xinhuanet.com/politics/2016-06/27/c_1119122255.htm

2http://news.xinhuanet.com/politics/2016-05/22/c_129004569.htm“NoneType”对象没有属性“get_text”

任何帮助都将不胜感激！谢谢。在

编辑：我没有'10声誉点'，所以我不能张贴更多的链接测试，但会与他们评论，如果你需要更多的网页例子。在

Answer 1

问题是网站上没有class="article"和{}相同的图片。因此，您似乎必须检测网站上是否有图片，然后如果有图片，请按如下方式搜索日期和文本：

对于日期，请尝试：

timemess = soup.find(id="pubtime").get_text()

对于正文，这篇文章似乎只是图片的标题。因此，您可以尝试以下操作：

^{pr2}$

简而言之，soup.find('img')找到图像，findNext()转到下一个包含文本的块。在

因此，在您的代码中，我将执行以下操作：

try:
    bodymess = soup.find(class_="article").get_text()

except AttributeError:
    bodymess = soup.find('img').findNext().get_text()

try:
    timemess = soup.find('span',{"class":"time"}).get_text()

except AttributeError:
    timemess = soup.find(id="pubtime").get_text()

作为网页抓取的一般流程，我通常使用浏览器去网站本身，先在浏览器中找到网站后端的元素。在