-1

我正在做一个需要我扫描大量 HTML 文件 (8000+) 的项目。其中一些文件已损坏，但这是文件来源的必然结果，无法修复。

我选择使用 BeautifulSoup4 来查找和提取数据。代码如下：

from bs4 import BeautifulSoup

data = open('data\file.html', encoding='utf-8')
soup = BeautifulSoup(data)

tag = soup.find('strong', text="Heading:")

split_tag = str(tag.next_sibling.next_element.next_element).split(", ")

它的作用是打开一个文件，搜索包含文本“标题：”的强标签。然后它用逗号分割这个标签的内容。

但是，如果源文件损坏，则它没有包含文本“标题：”的强标签。因此，在 split_tag 处引发 AttributeError，因为它返回“None”，因此没有任何 next_sibling。

我尝试使用以下方法解决此问题：

try:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")
except AttributeError:
    pass
else:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")

这没有用。我也尝试将其表达为一个函数，但没有运气。

所以我转向你。如果有任何内容，我想要做的是用逗号分割内容。如果没有，脚本应该只是通过。

我非常感谢任何帮助！

4

1 回答 1

2

这是我将如何重写您的异常处理程序。如果没有这样的标题，那么我们应该期望得到一个零长度的标签列表。

from bs4 import BeautifulSoup

data = open('data\file.html', encoding='utf-8')
soup = BeautifulSoup(data)

tag = soup.find('strong', text="Heading:")

try:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")
except AttributeError:
    split_tag = []  # zero-length list of tags

但在这种情况下，一个简单的if语句应该可以很好地工作，因为在没有找到任何内容时soup.find()返回None。

from bs4 import BeautifulSoup

data = open('data\file.html', encoding='utf-8')
soup = BeautifulSoup(data)

tag = soup.find('strong', text="Heading:")

if tag is None:
    split_tag = []
else:
    split_tag = str(tag.next_sibling.next_element.next_element).split(", ")

在检查 时None，最好使用is对象身份测试，如上所示。

于 2012-04-11T06:59:00.223 回答