0

我正在尝试使用 python 脚本从网站中提取特定的标头。如果我能做到这一点,我实际上会提取图像名称,但我想我会从像标题这样简单的东西开始。我可以提取标题名称并将日期保存到 csv 文件,但标题名称不打印。为了澄清,每次我保存时,日期都会保存到文件中,但标题名称不会。

这是我的python脚本:

import urllib2
from bs4 import BeautifulSoup

import csv
import time
import os

def get_html():
    opener = urllib2.build_opener(
    urllib2.HTTPRedirectHandler(),
    urllib2.HTTPHandler(debuglevel=0),    
    )

    opener.add_handler = [
        ('User-agent',
         "Mozilla/4.0 (compatible; MSIE 7.0; "
         "Windows NT 5.1; .NET CLR 2.0.50727; "
         ".NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)")

    ]

    url = "http://www.photosbywagner.com/galleryone.html"
    response = opener.open(url)
    return ''.join(response.readlines())

def get_html_sections(html):
    soup = BeautifulSoup(html)
    html_section = soup.find('div',
            attrs={'id': 'headcontainer'})
    return html_section

def parse_section_html(html):
    selected_html = get_html_sections(html)
    result = {}

    # <img />
    result['selection'] = selected_html.find('h1').contents[0]

    return result

field_order = ['date', 'info']

fields = {'date' : 'Date',
          'info' : 'Info'}

def write_row(selected_html):
    file_name = "WrittenNames" + ".csv"
    if os.access(file_name, os.F_OK):
        file_mode = 'ab'
    else:
        file_mode = 'wb'

    csv_writer = csv.DictWriter(
        open(file_name, file_mode),
        fieldnames=field_order,
        extrasaction='ignore',
    )

    if file_mode == 'wb':
        csv_writer.writerow(fields)
    csv_writer.writerow(selected_html)


if __name__ == '__main__':
    html = get_html()
    row_to_write = parse_section_html(html)  
    row_to_write['date'] = time.strftime("%Y-%m-%d %H:%M")
    write_row(row_to_write)
    print row_to_write

这是网页:

http://www.photosbywagner.com/galleryone.html

我要拉的部分是:

<div id="headcontainer"><h1>Ed Wagner Photo Gallery:</h1></div>

我不确定我在这里遗漏了什么,因为其他所有内容似乎都已检查 - 它提取正确的信息并将其打印到屏幕上,它只是不会保存到 CSV。

谢谢。

4

1 回答 1

2

在 parse_section_html 中,应该:

result['selection'] = selected_html.find('h1').contents[0]

是:

result['info'] = selected_html.find('h1').contents[0]

匹配您的字段定义?

于 2013-08-11T22:43:10.157 回答