作者BM0108 (衝)
看板Python
標題[問題] BeautifulSoup處理超連結的問題
時間Sun May 22 12:48:28 2011
各位前輩好
我要用BeautifulSoup處理一段表格html，然後把表格橫軸和縱軸的相對應資料轉存成json
我大致已經完成，不過若表格中的內容有超連結，會碰上一些問題，例如：
html="""
<td><a href="
https://ceiba.ntu.edu.tw/992nihonkingendai378" target="_blank">日
本近現代史二</a> <br />History of Modern Japan(Ⅱ)</td>
"""
html = html.split()
#這時候html裡的東西會被存成list；不過a、href這兩個應該要在一起的東西因為中間有
#空格的關係，分別被存在不同的位置，我猜這可能是接下來會出錯的原因
soup = BeautifulSoup(''.join(html))
print soup
#<td><ahref>日本近現代史二 <br />History of Modern Japan(Ⅱ)</ahref></td>
#這時候連結會被吃掉、<a>標籤自動被改成<ahref>
print soup.td.string
#這時候按理說會把<td></td>之間的內容轉成string並回傳，但事實上卻回傳None
請問要怎麼解決這樣的問題呢？
另外，" "這個html碼該怎麼處理掉？
我有大致把BeautifulSoup的Documentation瀏覽過了，但還是找不到對策.....
懇請高手指點一下，感激！
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 218.161.124.104
※ 編輯: BM0108 來自: 218.161.124.104 (05/22 12:48)
推 POSIX:直接字串取代掉 @@? 05/22 16:30
→ BM0108:我不太懂您的意思@@ 05/22 16:35
推 POSIX:我是指那些特殊字元 @@ 05/24 17:31
推 kilfu0701:因為<td>..</td>裡面包含其他的Tag 用soup.td.string會 05/25 13:49
→ kilfu0701:回傳None 用soup.td.contents[0]就可以抓到包含其他Tag 05/25 13:51
→ kilfu0701:的字串 05/25 13:51
→ kilfu0701:print soup.td.a.string 就會印出<a>..</a>裡的字串 05/25 13:54
→ kilfu0701: 可以用BeautifulStoneSoup來處理 05/25 14:34
→ kilfu0701:from BeautifulSoup import BeautifulStoneSoup 05/25 14:34
→ kilfu0701:soup = BeautifulStoneSoup(''.join(html), 05/25 14:35
→ kilfu0701: convertEntities=BeautifulStoneSoup.HTML_ENTITIES) 05/25 14:35
→ BM0108:感謝樓上！！ 05/26 23:23