靓汤不好吃

Question

我正在尝试爬网一个页面并从我正在爬网的页面中获取电话号码，是的，我已经参考了beautifulsoup文档，只需要知道如何抓取页面并从该页面获取信息，有什么建议吗？在

这是密码

主.py

#!/usr/bin/env python
# -*- coding: utf-8 -*- 

import requests
import urllib 
from bs4 import BeautifulSoup


glimit = 100


def my_spider(max_pages):
    page = 2
    while page <= max_pages:
        url = 'http://www.bbb.org/search/?type=name&input=constrution&location=Austin%2c+TX&filter=combined&accredited=&radius=5000&country=USA&language=en&codeType=YPPA'
        url_2 = url + '&page='+ str(page) +'&source=bbbse' 
        source_code = requests.get(url_2)
        plain_text = source_code.text
        soup = BeautifulSoup(plain_text, "html5lib")
        limit = glimit
        li = soup.find('h4', {'class': 'hcolor'})
        children = li.find_all("a")
        for result in children:
            href = "http://www.bbb.org" + result.get('href')
            owl = (result.string)
            print owl
            get_single_item_data(href)
        page += 1



def get_single_item_data(item_url):
    source_code = requests.get(item_url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text, "html5lib")
    limit = glimit
    mysoup = soup.findAll('h3',{'class': 'address__heading' })[:limit]
    mysoup2 = mysoup.find_all("a")
    for item in mysoup2:
        href = "http://www.bbb.org" + item.get('href')
        print (item.string)


my_spider(2)

错误就在这里

^{pr2}$

Answer 1

您的代码中存在各种问题。

1）您不需要href = "http://www.bbb.org" +。删除"http://www.bbb.org"，因为链接已经有了主机。

（二）

mysoup = soup.findAll('h3',{'class': 'address__heading' })[:limit]
mysoup2 = mysoup.find_all("a")

您正在尝试在列表中查找a标记。您必须迭代mysoup或使用find代替findAll。

我已经更新了你的代码。找到它here。