我正在尝试为各种科学期刊网站组合一个基本的 HTML 抓取工具,特别是尝试获取摘要或介绍性段落。
我目前正在研究的期刊是 Nature,我一直在使用的文章作为我的样本可以在http://www.nature.com/nature/journal/v463/n7284/abs/nature08715.html。
但是,我无法从该页面中获取摘要。我正在搜索<p class="lead">...</p>
标签之间的所有内容,但我似乎无法弄清楚如何隔离它们。我以为这会很简单
from BeautifulSoup import BeautifulSoup
import re
import urllib2
address="http://www.nature.com/nature/journal/v463/n7284/full/nature08715.html"
html = urllib2.urlopen(address).read()
soup = BeautifulSoup(html)
abstract = soup.find('p', attrs={'class' : 'lead'})
print abstract
使用 Python 2.5,BeautifulSoup 3.0.8,运行它返回“无”。我没有选择使用其他需要编译/安装的东西(比如 lxml)。BeautifulSoup 很困惑,还是我?