无法打印python列表中的所有项目

Question

我正在尝试学习如何进行网络抓取，但它并没有以我希望的格式出现。这是我遇到的问题：

import urllib
import re

pagelist = ["page=1","page=2","page=3","page=4","page=5","page=6","page=7","page=8","page=9","page=10"]
ziplocations = ["=30008","=30009"]

i=0
while i<len(pagelist):
    url = "http://www.boostmobile.com/stores/?" +pagelist[i]+"&zipcode=30008"
    htmlfile = urllib.urlopen(url)
    htmltext = htmlfile.read()
    regex = '<h2 style="float:left;">(.+?)</h2>' 
    pattern = re.compile(regex)
    storeName = re.findall(pattern,htmltext)
    print "Store Name=", storeName[i]
    i+=1

此代码产生以下结果： 店铺名称 = Boost Mobile store by wireless depot 店铺名称 = 沃尔玛 ...... 所以对于 10 家不同的商店，我假设发生这种情况是因为

while i<len(pagelist):

只有=到十

所以它只打印出十个商店，而不是所有页面上列出的所有商店。

当我将倒数第二行更改为此

print storeName

它将打印出每个页面上列出的每个商店名称，但不是上面的格式，而是像这样： 'Boost mobile store by wireless depot'，'boost mobile store by kob wireless'，'marietta check chashing services'，......等等大约另外120个条目。 那么如何以所需的格式获得它：“Store Name = ....”而不是：'name','name',.....

Answer 1

storeName 是一个数组，你需要循环遍历它。目前，您使用页码在每个页面上对其进行一次索引，这可能不是您的意图。

这是您的代码的正确版本，添加了循环。

import urllib
import re

pagelist = ["page=1","page=2","page=3","page=4","page=5","page=6","page=7","page=8","page=9","page=10"]
ziplocations = ["=30008","=30009"]

i=0
while i<len(pagelist):
    url = "http://www.boostmobile.com/stores/?" +pagelist[i]+"&zipcode=30008"
    htmlfile = urllib.urlopen(url)
    htmltext = htmlfile.read()
    regex = '<h2 style="float:left;">(.+?)</h2>' 
    pattern = re.compile(regex)
    storeName = re.findall(pattern,htmltext)
    for sn in storeName:
        print "Store Name=", sn
    i+=1

Answer 2

Do not parse HTML with regex. 使用专用工具 - HTML Parser。

这是使用BeautifulSoup的解决方案：

import urllib2
from bs4 import BeautifulSoup

base_url = "http://www.boostmobile.com/stores/?page={page}&zipcode={zipcode}"
num_pages = 10
zipcode = 30008

for page in xrange(1, num_pages + 1):
    url = base_url.format(page=page, zipcode=zipcode)
    soup = BeautifulSoup(urllib2.urlopen(url))

    print "Page Number: %s" % page
    results = soup.find('table', class_="results")
    for h2 in results.find_all('h2'):
        print h2.text

打印出来：

Page Number: 1
Boost Mobile Store by Wireless Depot
Boost Mobile Store by KOB Wireless
Marietta Check Cashing Services
...
Page Number: 2
Target
Wal-Mart
...

如您所见，首先我们找到一个带有results 类的table 标签——这就是商店名称的实际所在。然后，在table 中，我们可以找到所有h2 标记。这比依赖标签的style 属性更可靠。

---

您也可以使用SoupStrainer。它会提高性能，因为它只会解析您指定的文档部分：

required_part = SoupStrainer('table', class_="results")
for page in xrange(1, num_pages + 1):
    url = base_url.format(page=page, zipcode=zipcode)
    soup = BeautifulSoup(urllib2.urlopen(url), parse_only=required_part)

    print "Page Number: %s" % page
    for h2 in soup.find_all('h2'):
        print h2.text

这里我们说：“只解析带有results 类的table 标记。然后给我们其中的所有h2 标记。”

另外，如果你想提高性能，可以let BeautifulSoup use lxml parser under the hood：

soup = BeautifulSoup(urllib2.urlopen(url), "lxml", parse_only=required_part) 

希望对您有所帮助。