如何进行网页抓取<；p>；内部标签<；部门>；使用Python的HTML中具有class/id的标记

我想提取以下数据：

发布日期：2016年6月16日 漏洞标识符：APSB16-23 优先事项：3 CVE编号：CVE-2016-4126

从

守则：

import requests
from bs4 import BeautifulSoup as bs
from pprint import pprint
    
r = requests.get('https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html')
soup = bs(r.content, 'html.parser')
pprint([i.text for i in soup.select('div > .text >  p' , limit = 4 )] )

输出：

['Release date:\xa0September 13, 2016',
 'Vulnerability identifier: APSB16-31',
 'Priority: 3',
 'CVE number:\xa0CVE-2016-6936']

---

问题在于存在/xa0。我应该如何删除它？如果还有比这更有效的代码呢？我还想把它转换成CSV文件。谢谢。

\xa0

实际上是拉丁语中的不间断空格（ISO 8859-1），也是chr（160）。你应该用空格代替它

试试这个：

import requests
from bs4 import BeautifulSoup as bs
from pprint import pprint

r = requests.get('https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html')
soup = bs(r.content, 'html.parser')
pprint([i.text.replace(u'\xa0', u' ') for i in soup.select('div > .text >  p', limit=4)])

输出：

['Release date: September 13, 2016',
 'Vulnerability identifier: APSB16-31',
 'Priority: 3',
 'CVE number: CVE-2016-6936']

编辑：要将结果放入

.csv

文件，请使用

pandas

以下是方法：

import pandas as pd
import requests
from bs4 import BeautifulSoup as bs

r = requests.get('https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html')
soup = bs(r.content, 'html.parser')
release = [
    i.getText().replace(u'\xa0', u' ').split(": ") for i
    in soup.select('div > .text >  p', limit=4)
]
pd.DataFrame(release).set_index(0).T.to_csv("release_data.csv", index=False)

输出：

['Release date: September 13, 2016',
 'Vulnerability identifier: APSB16-31',
 'Priority: 3',
 'CVE number: CVE-2016-6936']

---

\xa0

实际上是拉丁文1（ISO 8859-1）中的不间断空格，也是chr（160）。你应该用空格代替它

试试这个：

import requests
from bs4 import BeautifulSoup as bs
from pprint import pprint

r = requests.get('https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html')
soup = bs(r.content, 'html.parser')
pprint([i.text.replace(u'\xa0', u' ') for i in soup.select('div > .text >  p', limit=4)])

输出：

['Release date: September 13, 2016',
 'Vulnerability identifier: APSB16-31',
 'Priority: 3',
 'CVE number: CVE-2016-6936']

编辑：要将结果放入

.csv

文件，请使用

pandas

以下是方法：

import pandas as pd
import requests
from bs4 import BeautifulSoup as bs

r = requests.get('https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html')
soup = bs(r.content, 'html.parser')
release = [
    i.getText().replace(u'\xa0', u' ').split(": ") for i
    in soup.select('div > .text >  p', limit=4)
]
pd.DataFrame(release).set_index(0).T.to_csv("release_data.csv", index=False)

输出：

['Release date: September 13, 2016',
 'Vulnerability identifier: APSB16-31',
 'Priority: 3',
 'CVE number: CVE-2016-6936']

---

我刚刚使用了您的代码，并在提取的HTML标记上添加了for循环。似乎在使用列表理解时，unicode转换器不存在。不过这只是一个假设

至于剧本，我只是临时编了你的

import requests
from bs4 import BeautifulSoup
from pprint import pprint

url = "https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html"
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')
data = [i for i in soup.select('div > .text >  p', limit=4)]

for i in data:
    print(i.text)
    print("-"*20)

这将为您提供所需的输出。查看图像的链接，因为它不会在此处显示图像本身。

---

我刚刚使用了您的代码，并在提取的HTML标记上添加了for循环。似乎在使用列表理解时，unicode转换器不存在。不过这只是一个假设

至于剧本，我只是临时编了你的

import requests
from bs4 import BeautifulSoup
from pprint import pprint

url = "https://helpx.adobe.com/cy_en/security/products/air/apsb16-31.html"
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')
data = [i for i in soup.select('div > .text >  p', limit=4)]

for i in data:
    print(i.text)
    print("-"*20)

这将为您提供所需的输出。查看图像的链接，因为它不会在此处显示图像本身。

---

简单的更换即可<代码>[i.text.replace（“\xa0”，”）表示汤中的i。选择（'div>.text>p'，limit=4）]简单的替换即可<代码>[i.text.替换汤中的i（“\xa0”，”）。选择（'div>.text>p'，limit=4）]太棒了！非常感谢，这个答案完全解决了我的问题。太好了！非常感谢，这个答案完全解决了我的问题。