希望您一切都好,您知道如何在抓取中排除特定标签吗?
#Récupération des ingrédients
try:
ingredientsdiv = soup.find("div", class_="c-recipe-ingredients")
ingredientsbloc = ingredientsdiv.find("ul", class_="c-recipe-ingredients__list")
ingredients = [re.findall(r'^(?:(\d+)\s([^\W\d_]*))?(.*)', item.text.replace("\n", "").strip()) for item in ingredientsbloc.find_all("li", {"class": ""})]
except Exception as e:
ingredients = None
这是HTML代码
<div class="c-recipe-ingredients"><ul class="c-recipe-ingredients__list" data-id="258101"><li>10 cl de lait de coco</li><li>1 cuillère à café de poivre vert</li><li>Huile de pépin de raisin</li><li>Fleur de sel</li><li>4 brins de menthe</li><li>2 c&œligurs de laitue</li><li>4 citrons verts</li><li>12 tomates cerise</li><li>4 oignons nouveaux</li><li>600 g de filets de bar <span class="c-recipe-ingredients__item--sponso u-relative"><span><a target="_blank" href="https://www.pourdebon.com/bar-sauvage-d38?utm_source=750g&utm_medium=autopromo&utm_content=Top10_750g_Autopromo&utm_campaign=750g_autopromo_recette" class="u-some-link u-color-pourdebon xXx" onclick="ga('send', 'event', 'autopromo-pdb-ingredient', 'clic', '600\x20g\x20de\x20filets\x20de\x20bar')"> En direct des producteurs sur
<img src="/bundles/cuisinewebsite/img/partner/logo-pourdebon.png" alt="Logo Pourdebon" itemprop="logo"></a></span></span><script>
document.addEventListener('DOMContentLoaded', function() {
ga('send', 'event', 'autopromo-pdb-ingredient', 'view', '600\x20g\x20de\x20filets\x20de\x20bar', {
nonInteraction : true
});
});
</script></li></ul></div>
有一个赞助商链接,像这样:
<a target="_blank" href="" class="u-some-link u-color-pourdebon xXx" onclick="ga('send', 'event', 'autopromo-pdb-ingredient', 'clic', '600\x20g\x20de\x20filets\x20de\x20bar')"> Lorem ipsum
<img src="/bundles/cuisinewebsite/img/partner/logo-pourdebon.png" alt="Logo Pourdebon" itemprop="logo"></a>
我想在我的抓取(json文件)中排除赞助商链接文本:)您有什么主意吗?
对于所有意图和目的,如果你想从相同的元素文本li
而不是嵌套a
和script
元素(S) -你应该使用NavigableString
因此,除了.text
-您应该使用此功能-
import bs4
...
def get_only_text(elem):
for item in elem.children:
if isinstance(item, bs4.element.NavigableString):
yield item
然后在外部调用此函数,并加入整个生成器以获取最终的字符串-
ingredients = [re.findall(r'^(?:(\d+)\s([^\W\d_]*))?(.*)', ''.join(get_only_text(item)).strip()) for item in ingredientsbloc.find_all("li", {"class": ""})]
输出ingredients
-
[[('10', 'cl', ' de lait de coco')],
[('1', 'cuillère', ' à café de poivre vert')],
[('', '', 'Huile de pépin de raisin')],
[('', '', 'Fleur de sel')],
[('4', 'brins', ' de menthe')],
[('2', 'c', '&œligurs de laitue')],
[('4', 'citrons', ' verts')],
[('12', 'tomates', ' cerise')],
[('4', 'oignons', ' nouveaux')],
[('600', 'g', ' de filets de bar')]]
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句