web-dev-qa-db-ja.com

BeautifulSoup:ネストされた<ul>を含む<ul>のリストからすべての<li>を抽出するにはどうすればよいですか?

私のソースコードは次のようになります:

<h3>Header3 (Start here)</h3>
<ul>
    <li>List items</li>
    <li>Etc...</li>
</ul>
<h3>Header 3</h3>
<ul>
    <li>List items</li>
    <ul>
        <li>Nested list items</li>
        <li>Nested list items</li></ul>
    <li>List items</li>
</ul>
<h2>Header 2 (end here)</h2>

すべてのネストされたliタグを含め、最初の「h3」タグに続くすべての「li」タグと次の「h2」タグで停止したいのですが。

firstH3 = soup.find( 'h3')

開始したい場所を正しく見つけます。

firstH3 = soup.find('h3') # Start here
uls = []
for nextSibling in firstH3.findNextSiblings():
    if nextSibling.name == 'h2':
        break
    if nextSibling.name == 'ul':
        uls.append(nextSibling)

uLのリストが表示され、それぞれに必要なLIコンテンツが含まれています。

「uls」リストの抜粋:

<ul>
...
    <li><i><a href="/wiki/Agent_Cody_Banks" title="Agent Cody Banks">Agent Cody Banks</a></i> (2003)</li>
    <li><i><a href="/wiki/Agent_Cody_Banks_2:_Destination_London" title="Agent Cody Banks 2: Destination London">Agent Cody Banks 2: Destination London</a></i> (2004)</li>
    <li>Air Bud series:
        <ul>
            <li><i><a href="/wiki/Air_Bud:_World_Pup" title="Air Bud: World Pup">Air Bud: World Pup</a></i> (2000)</li>
            <li><i><a href="/wiki/Air_Bud:_Seventh_Inning_Fetch" title="Air Bud: Seventh Inning Fetch">Air Bud: Seventh Inning Fetch</a></i> (2002)</li>
            <li><i><a href="/wiki/Air_Bud:_Spikes_Back" title="Air Bud: Spikes Back">Air Bud: Spikes Back</a></i> (2003)</li>
            <li><i><a href="/wiki/Air_Buddies" title="Air Buddies">Air Buddies</a></i> (2006)</li>
        </ul>
    </li>
    <li><i><a href="/wiki/Akeelah_and_the_Bee" title="Akeelah and the Bee">Akeelah and the Bee</a></i> (2006)</li>
...
</ul>

しかし、私はここからどこへ行くべきかわかりません。私は、Pythonにスクレイピングするスクリプトを作成して http://en.wikipedia.org/wiki/2000s_in_film にジャンプして、 「映画タイトル(年)」一覧.


更新:

最終コード:

lis = []
    for ul in uls:
        for li in ul.findAll('li'):
            if li.find('ul'):
                break
            lis.append(li)

    for li in lis:
        print li.text.encode("utf-8")

ネストされたLIが複製されるため、If-> breakはULを含むLIをスローします。

印刷出力は次のとおりです。

  • 102ダルメシアン(2000)
  • 10th&Wolf(2006)
  • 11:14(2006)
  • 12:08ブカレストの東(2006)
  • 13 30(2004)に続く
  • 1408(2007)
  • ...

ありがとう

24
danneu

.findAll()は、ネストされたli要素に対して機能します。

for ul in uls:
    for li in ul.findAll('li'):
        print(li)

出力:

<li>List items</li>
<li>Etc...</li>
<li>List items</li>
<li>Nested list items</li>
<li>Nested list items</li>
<li>List items</li>
18
jfs

リストの理解も機能します。

lis = [li for ul in uls for li in ul.findAll('li')]
9
zachwill