2

我正在尝试抓取一个使用 TH 作为前导列元素并带有以下 TD 标记的表。问题是该表使用了需要跳过的间歇性分隔符，因为它们不包含 TH 标记。

这是表格中的一个示例：

<tr><th scope="row">Availability (non-CRS):</th><td></td></tr>
<tr><td colspan="2" class="fieldDivider"><div>&nbsp;</div></td></tr>
<tr><th scope="row">Start Date:</th><td>01 Jun 2012</td></tr>
<tr><th scope="row">Expiry Date:</th><td>31 May 2015</td></tr>
<tr><th scope="row">Duration:</th><td>36 months</td></tr>
<tr><td colspan="2" class="fieldDivider"><div>&nbsp;</div></td></tr>
<tr><th scope="row">Total Value:</th><td>&pound;18,720,000<i>(estimated)</i></td></tr>

我在 scraperwiki 中使用 python 来收集数据，但我在跳过有问题的行时遇到问题。

在没有任何条件的情况下，一旦我到达没有 TH 标记的行，我的代码就会停止，所以我目前正在使用 if 语句来确保我只在没有不间断空格的行上执行抓取，但我的变量（数据) 没有被定义，所以 if 语句没有正确执行。

这是我在教程之外的第一次编码，所以我希望答案很简单，我只是不确定它是什么。

#!/usr/bin/env python

import scraperwiki
import requests
from bs4 import BeautifulSoup

base_url = 'http://www.londoncontractsregister.co.uk/public_crs/contracts/contract-048024/'

html = requests.get(base_url)
soup = BeautifulSoup(html.content, "html.parser")

table = soup.findAll('table')
rows = table[0].findAll('tr')


for row in rows:
    th_cell = row.findAll('th')
    td_cell = row.findAll('td')
    if td_cell[0].get_text() == '&nbsp;':
        data = {
           'description' : th_cell[0].get_text(),
           'record' : td_cell[0].get_text()
        }

print data
4

1 回答 1

0

有点快速破解（可能有更好的方法来做到这一点），但这基于您的代码，似乎得到了我认为您想要的；如果我们不能，请尝试获取数据并处理异常：

data = []

for row in rows:
    th_cell = row.findAll('th')
    td_cell = row.findAll('td')
    try:
        data.append({'description': th_cell[0].get_text(),
                     'record' : td_cell[0].get_text()})
    except IndexError:
        pass

for item in data:
    print data
于 2014-05-23T18:26:54.553 回答