我目前正在學習如何抓取網頁。
問題： 我無法使用 css 選擇器，因為在其他站點上，此標記的位置（順序）（有關估計開始時間的資訊）會發生變化。
我的目標：我如何檢索資訊：2022 年 1 月
HTML 片段：
<tr>
<td headers="studyInfoColTitle"> Estimated <span style="display:inline;" class="term" data-term="Study Start Date" title="Show definition">Study Start Date <i class="fa fa-info-circle term" aria-hidden="true" data-term="Study Start Date" style="border-bottom-style:none;"></i></span> :
</td>
<td headers="studyInfoColData" style="padding-left:1em">January 2022</td>
</tr>
我試過的：
1.)我試圖宣告一個 func 來過濾掉（與 find_all 結合）這個標簽：
def searchMethod(tag):
return re.compile("Estimated") and (str(tag.string).find("Estimated") > -1)
#calling here above func
foundTag_s = soup.find_all(searchMethod)
這對我其他類似的情況有所幫助，但在這里它不起作用，我認為這與字串文本在標簽之間的劃分方式有關......
2.)我嘗試使用字串搜索：
starttime_elem = soup.find("td", string="Estimated")
但由于某種原因它不起作用。
經過幾個小時的搜索，我決定在這里問。
參考： https : //clinicaltrials.gov/ct2/show/NCT05169372? draw =2& rank =1
uj5u.com熱心網友回復：
因此，您實際上是在查看同一域中的不同頁面。html在元素和屬性上基本一致。
CSS 選擇器串列比位置匹配更通用。有多種方法可以解決您當前的問題。
一種是簡單地使用css attribute = value css選擇器來定位開始日期節點然后移動到下一個td
import requests
from bs4 import BeautifulSoup as bs
links = ['https://clinicaltrials.gov/ct2/show/NCT05169372?draw=2&rank=1', 'https://clinicaltrials.gov/ct2/show/NCT05169359?draw=2&rank=2']
with requests.Session() as s:
for link in links:
r = s.get(link, headers = {'User-Agent':'Mozilla/5.0'})
soup = bs(r.content, 'lxml')
start = soup.select_one('[data-term="Study Start Date"]')
if start is not None:
print(start.text)
print(start.find_next('td').text)
這是一個強大且一致的屬性。
您還可以使用:-soup-contains：
start = soup.select_one('.term:-soup-contains("Study Start Date")')
轉載請註明出處，本文鏈接：https://www.uj5u.com/qianduan/393650.html