网页抓取维基百科页面

Question

在维基百科的一些页面中，文章标题后（以粗体显示），括号内有一些文本用于解释标题中单词的发音和语音。例如，在this上，在<p>中的粗体标题diglossia之后，有一个左括号。为了找到对应的右括号，必须逐个遍历文本节点来找到它，这很简单。我要做的是找到下一个href链接并存储它。在

这里的问题是（AFAIK），没有一种方法可以用右括号唯一地标识文本节点，然后获取以下href。是否有任何直接（非卷积）的方法来获得初始括号之外的第一个链接？

编辑

对于这里提供的链接，要存储的href应该是：https://en.wikipedia.org/wiki/Dialects，因为这是括号外的第一个链接

Answer 1

这是你想要的吗？在

import requests
rs = requests.get('https://en.wikipedia.org/wiki/Diglossia', verify=False)
parsed_html = BeautifulSoup(rs.text)
print parsed_html.body.findAll('p')[0].findAll('a')[0]

这样可以得到：

^{pr2}$

如果要提取href，则可以使用以下命令：

parsed_html.body.findAll('p')[0].findAll('a')[0].attrs[0][1]

更新 似乎您需要的是括号后的href，而不是前面的括号。 我已经为它写了剧本。试试这个：

import requests
from BeautifulSoup import BeautifulSoup
rs = requests.get('https://en.wikipedia.org/wiki/Diglossia', verify=False)
parsed_html = BeautifulSoup(rs.text)

temp = parsed_html.body.findAll('p')[0]

start_count = 0
started = False
found = False

while temp.next and found is False:
    temp = temp.next
    if '(' in temp:
        start_count += 1
        if started is False:
            started = True
    if ')' in temp and started and start_count > 1:
        start_count -= 1
    elif ')' in temp and started and start_count == 1:
        found = True

print temp.findNext('a').attrs[0][1]