pagina - web scraping python español
Obteniendo BeautifulSoup para encontrar un<p> específico (2)
Estoy tratando de armar un raspador HTML básico para una variedad de sitios web de revistas científicas, específicamente tratando de obtener el párrafo abstracto o introductorio.
El diario actual en el que estoy trabajando es Nature, y el artículo que he estado usando como muestra se puede ver en http://www.nature.com/nature/journal/v463/n7284/abs/nature08715.html .
Sin embargo, no puedo sacar el resumen de esa página. Estoy buscando todo entre las etiquetas <p class="lead">...</p> , pero parece que no puedo averiguar cómo aislarlas. Pensé que sería algo simple como
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
Al usar Python 2.5, BeautifulSoup 3.0.8, al ejecutar esto se devuelve ''Ninguno''. No tengo opción de usar cualquier otra cosa que necesite compilarse / instalarse (como lxml). ¿BeautifulSoup está confundido, o soy yo?
Ese html está bastante mal formado, y xml.dom.minidom no puede analizar y el análisis de BeautiFulSoup no funciona bien.
Quité algunas partes <!-- ... --> y analicé de nuevo con BeautiFulSoup, entonces parece mejor y puedo ejecutar soup.find(''p'', attrs={''class'' : ''lead''})
Aquí está el código que probé
>>> html =re.sub(re.compile("<!--.*?-->",re.DOTALL),"",html)
>>>
>>> soup=BeautifulSoup(html)
>>>
>>> soup.find(''p'', attrs={''class'' : ''lead''})
<p class="lead">The class of exotic Jupiter-mass planets that orb .....
aquí hay una forma no BS para obtener el resumen.
address="http://www.nature.com/nature/journal/v463/n7284/full/nature08715.html"
html = urllib2.urlopen(address).read()
for para in html.split("</p>"):
if ''<p class="lead">'' in para:
abstract=para.split(''<p class="lead">'')[1:][0]
print '' ''.join(abstract.split("/n"))