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
.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>
リストの理解も機能します。
lis = [li for ul in uls for li in ul.findAll('li')]