このXPath式をBeautifulSoupに変換するにはどうすればよいですか？

Question

前の質問、何人かは BeautifulSoup を使用することを提案しました私のプロジェクトのために。私は彼らのドキュメントに苦労してきましたが、それを解析することはできません。誰かがこの式をBeautifulSoup式に変換できるセクションに私を向けることができますか？

hxs.select('//td[@class="altRow"][2]/a/@href').re('/.a\w+')

上記の式は Scrapy からのものです。正規表現 re（ '\。a \ w +'）を tdクラスaltRow に適用して、そこからリンクを取得しようとしています。

また、他のチュートリアルやドキュメントへのポインタをいただければ幸いです。見つかりませんでした。

ご協力ありがとうございます。

編集： 私はこのページを見ています：

>>> soup.head.title
<title>White & Case LLP - Lawyers</title>
>>> soup.find(href=re.compile("/cabel"))
>>> soup.find(href=re.compile("/diversity"))
<a href="/diversity/committee">Committee</a> 

まだ、ページソース＆quot; / cabel＆quot; を見ると、

 <td class="altRow" valign="middle" width="34%"> 
 <a href='/cabel'>Abel, Christian</a> 

何らかの理由で、検索結果はBeautifulSoupには表示されませんが、 hxs.select（ '// td [@ class =＆quot; altRow＆quot;] [2] / a / @ hrefによりXPathには表示されます。 '）.re（' /。a \ w + '）キャッチ＆quot; / cabel＆quot;

編集： cobbal：まだ動作していません。しかし、これを検索すると：

>>>soup.findAll(href=re.compile(r'/.a\w+'))
[<link href="/FCWSite/Include/styles/main.css" rel="stylesheet" type="text/css" />, <link rel="shortcut icon" type="image/ico" href="/FCWSite/Include/main_favicon.ico" />, <a href="/careers/northamerica">North America</a>, <a href="/careers/middleeastafrica">Middle East Africa</a>, <a href="/careers/europe">Europe</a>, <a href="/careers/latinamerica">Latin America</a>, <a href="/careers/asia">Asia</a>, <a href="/diversity/manager">Diversity Director</a>]
>>>

2番目の文字「a」ですべてのリンクを返します;しかし、弁護士の名前ではありません。そのため、何らかの理由でこれらのリンク（＆quot; / cabel＆quot;など）はBeautifulSoupに表示されません。理由がわかりません。

Answer 1

BeautifulSoupは正規のHTML解析モジュールであることは知っていますが、HTMLから部分文字列を削り出したいだけの場合があり、pyparsingにはこれを行うための便利なメソッドがあります。このコードの使用：

from pyparsing import makeHTMLTags, withAttribute, SkipTo
import urllib

# get the HTML from your URL
url = "http://www.whitecase.com/Attorneys/List.aspx?LastName=&FirstName="
page = urllib.urlopen(url)
html = page.read()
page.close()

# define opening and closing tag expressions for <td> and <a> tags
# (makeHTMLTags also comprehends tag variations, including attributes, 
# upper/lower case, etc.)
tdStart,tdEnd = makeHTMLTags("td")
aStart,aEnd = makeHTMLTags("a")

# only interested in tdStarts if they have "class=altRow" attribute
tdStart.setParseAction(withAttribute(("class","altRow")))

# compose total matching pattern (add trailing tdStart to filter out 
# extraneous <td> matches)
patt = tdStart + aStart("a") + SkipTo(aEnd)("text") + aEnd + tdEnd + tdStart

# scan input HTML source for matching refs, and print out the text and 
# href values
for ref,s,e in patt.scanString(html):
    print ref.text, ref.a.href

AbelからZupikovaまで、ページから914の参照を抽出しました。

Abel, Christian /cabel
Acevedo, Linda Jeannine /jacevedo
Acuña, Jennifer /jacuna
Adeyemi, Ike /igbadegesin
Adler, Avraham /aadler
...
Zhu, Jie /jzhu
Zídek, Aleš /azidek
Ziółek, Agnieszka /aziolek
Zitter, Adam /azitter
Zupikova, Jana /jzupikova

Answer 2

1つのオプションはlxmlを使用することです（beautifulsoupに慣れていないので、どうすればいいかわかりません）。デフォルトで XPath

編集：
（テストなし）テスト済み：

soup.findAll('td', 'altRow')[1].findAll('a', href=re.compile(r'/.a\w+'), recursive=False)

http://www.crummy.com/software/BeautifulSoupのドキュメントを使用しました/documentation.html

soupはBeautifulSoupオブジェクトでなければなりません

import BeautifulSoup
soup = BeautifulSoup.BeautifulSoup(html_string)

Answer 3

Beautiful Soupメーリングリストで、リストへのZeynelの電子メールへの応答としてこれに回答しました。基本的に、Webページにエラーがあり、解析中にBeautiful Soup 3.1を完全に強制終了しますが、Beautiful Soup 3.0によって破壊されます。

スレッドは Googleグループアーカイブにあります。

Answer 4

BeautifulSoup 3.1を使用しているようです

BeautifulSoup 3.0.7に戻すことをお勧めします（この問題）

3.0.7でテストしたところ、期待どおりの結果が得られました。

>>> soup.findAll(href=re.compile(r'/cabel'))
[<a href="/cabel">Abel, Christian</a>]

BeautifulSoup 3.1でテストすると、表示されている結果が得られます。おそらくhtmlに不正なタグがありますが、クイックルックでその内容がわかりませんでした。