新闻截稿日期

Question

我正在尝试从https://finansial.bisnis.com/read/20210506/90/1391096/laba-bank-mega-tumbuh-dua-digit-kuartal-i-2021-ini-penopangnya中进行刮取。我正在努力抓取新闻的日期，以下是我的代码：

news['tanggal'] = newsScrape['date']
dates = []
for x in news['tanggal']:
    x = listToString(x)
    x = x.strip()
    x = x.replace('\r', '').replace('\n', '').replace(' \xa0|\xa0', ',').replace('|', ', ')
    dates.append(x)
dates = listToString(dates)
dates = dates[0:20]
if len(dates) == 0:
    continue
news['tanggal'] = dt.datetime.strptime(dates, '%d %B %Y, %H:%M')

但我有一个错误：

ValueError: time data '06 Mei 2021, 11:32  ' does not match format '%d %B %Y, %H:%M'

我的假设是因为Mei是印度尼西亚语，同时格式需要May是英语。如何将Mei更改为May？我试过dates = dates.replace('Mei', 'May')，但对我不起作用。当我尝试它时，我得到了错误ValueError: unconverted data remains: 日期的类型是string。谢谢

Answer 1

问题似乎只是您的尾部空白，这解释了错误ValueError: unconverted data remains: 。它抱怨无法转换剩余的数据（空白）

s = '06 Mei 2021, 11:32  '.replace('Mei', 'May').strip()
datetime.strptime(s, '%d %B %Y, %H:%M')
# Returns datetime.datetime(2021, 5, 6, 11, 32)

此外，要将所有印尼月份转换为英语，您可以使用字典：

id_en_dict = {
    ...,
    'Mei': 'May',
    ...
}

Answer 2

您可以尝试以下方法

import datetime as dt
import requests
from bs4 import BeautifulSoup
import urllib.request

url="https://finansial.bisnis.com/read/20210506/90/1391096/laba-bank-mega-tumbuh-dua-digit-kuartal-i-2021-ini-penopangnya"
r = requests.get(url, verify=False)
soup = BeautifulSoup(r.content, 'html.parser')
info_soup= soup.find(class_="new-description")
x=info_soup.find('span').get_text(strip=True)
x = x.strip()
x = x.replace('\r', '').replace('\n', '').replace(' \xa0|\xa0', ',').replace('|', ', ')
x = x[0:20]
x = x.rstrip()
date= dt.datetime.strptime(x.replace('Mei', 'May'), '%d %B %Y, %H:%M')
print(date)

结果:

2021-05-06 11:45:00

Answer 3

您对5月份的假设->；Mei更改是正确的，替换后可能会遇到问题的原因是字符串中的尾随空格，而这些空格在格式中没有考虑。可以使用string.rstrip()删除这些空格

import datetime as dt

dates = "06 Mei 2021, 11:32  "
dates = dates.replace("Mei", "May") # The replacement will have to be handled for all months, this is only an example
dates = dates.rstrip()
date = dt.datetime.strptime(dates, "%d %B %Y, %H:%M")
print(date) # 2021-05-06 11:32:00

当 这确实解决了这里的问题，在dates = dates[0:20]之后像这样缩短字符串是很麻烦的。考虑使用ReGEX同时获得适当的格式。